校园帮项目——校园即时服务平台 开发环境 jdk1.8 + tomcat8.5 + mysql5.7 项目介绍 校园即时服务平台主菜单包括任务中心和个人中心两部分 任务管理中包括已发布任务、已接受任务、发布新任务三个子模块 个人中心包含个人信息、资料修改、安全设置三个子模块 开始使用 将项目导入eclipse后 修改文件 /campusHelp/src/applicationContext.xml 放入tomcat运行即可 界面展示： 转载自https://github.com/ytu-shh/campusHelp/blob/master/README.md

项目简介 校友录网站是作为毕业设计为母校设计的校友交流平台。基于javaWeb，由Maven构建管理，采用Spring+SpringMVC+MyBatis框架，用EhCache做数据缓存。门户网站采用BootStrap设计界面，后台管理网站用AmazeUI设计界面。 开发环境 Maven 3.0.3 IntelliJ IDEA 2017.1/eclipse EE jdk1.8 tomcat8.0 mysql 5.1 导入数据库 数据库为MySQL5.1，数据库sql文件在./ar-doc/sql/ar-mysql-data.sql，新建数据库ar，执行此sql文件，可导入表结构和数据字典等数据。 导入数据字典表； 在用户表(user)中加入id为1的超级管理员； 在组织表(origin)中加入id为1的徐州工程学院； 在图片表(image)中加入id为1的徐州工程学院logo； 数据字典 dictionary(字典表)： dictionary_data(字典数据表)： 导入工程（推荐IDEA） 1.安装Maven... 2.在IDEA中配置Maven，jdk 3.导入Maven项目，等待maven依赖项下载... 4.在IDEA中配置Tomcat8.0 5.修改项目中的数据库配置 ./ar-parent/ar-portal/src/main/resources/config.properties 项目构建 执行ar-common模块下的maven clean 以及 maven install ar-common生成jar 安装在本地，ar-manage和ar-portal依赖此库。 项目部署 建议运行 ar-portal:war exploded。 门户网站： 访问地址: http://localhost:8080/ar-portal/index.action 用户名/密码: black/12345678 后台管理： 访问地址: http://localhost:8080/ar-portal/manage.action 用户名/密码: sa/12345678 via:https://github.com/blackist/ar

项目介绍 这个项目做得是实体的抽取和意图的分类，slot filling and intent classify 语料的处理 以上生成模型需要的语料，按1：2：13分别生成test数据、dev数据、train数据。以及用gensim生成词向量，这个可以在更大的语料中训练 训练 上面用的是bilstm训练，也可以选择使用idcnn。 测试 来源https://github.com/GaoQ1/ner-slot_filling

本系统主要通过隐式地收集用户对歌曲的播放，下载以及收藏行为记录，进而使用基于最近邻用户的协同过滤推荐算法为当前激活用户推荐歌曲; 对于有歌词信息的歌曲，通过基于异构文本网络词嵌入来计算歌曲之间的相似性，进而根据用户的历史记录为其推荐相似的歌曲。 开发环境及框架: Ubuntu16,Eclipse,MySQL5.7,JDK1.8,Tomcat7.0,SSM,Maven,Git 其中，功能模块图如下： 系统角色用例图如下: 一些界面如下： via:https://github.com/wangruns/Hybrid-Music-Recommender-System

相关技术 前端: h5+css+javascript+jquery+bootstrap+themeleaf+ H plus 后端: springcloud+springboot+sping+springmvc+mybatis+mysql+redis+shiro 组件: bootsrap-table,webUploader,pagehelper+layer 项目部署: docker + linux 中间件:eureka(微服务治理) 消息队列: rabbitmq 测试:swagger2 开发风格：分布式系统架构，前后分离开发风格，RESTful api 代码介绍 scetc-show-videos-admin 后台管理系统 scetc-show-videos-cloud eureka服务发现与注册 scetc-show-videos-config 分布式配置中心 scetc-show-videos-dev 小程序后台 scetc-show-videos-page 小程序界面 目 录 第一章 绪论 1 1.1 研究背景 1 1.2 研究目的及意义 1 1.3 研究的内容 1 第二章 系统总体方案设计 3 2.1 可行性分析 3 2.2 系统架构 3 2.2.1 微服务 3 2.2.2 框架 4 2.3 总体功能 5 2.3.1 微信小程序端 5 2.3.2 后台管理系统 6 2.4 技术选型 6 2.4.1 小程序端 7 2.4.2 后台管理系统端 7 2.4.3 分布式 7 2.4.4 开发环境 7 2.5 关键技术介绍 8 2.5.1 SpringBoot框架 8 2.5.2 SprinMVC框架 8 2.5.3 Mybatis框架 9 2.5.4 SpringCloud框架 9 第三章 软件系统设计 11 3.1 项目结构设计 11 3.2 界面设计 12 3.2.1小程序端界面设计 12 3.2.2 后台管理系统界面设计 14 3.3 功能层设计 15 3.3.1 小程序端功能设计 16 3.2.2 小程序端代码实现 19 3.3.3 后台管理系统功能设计 20 3.3.4 后台管理系统代码实现 21 3.4 数据库设计 23 3.4.1 数据模型设计 23 3.4.2 数据层设计 24 3.4.3 其他数据库设计 26 第四章 系统分析与调试 28 4.1测试原理 28 4.1.1 单元测试 28 4.1.2 功能测试 28 4.1.3 接口测试 28 4.2测试环境 28 4.3单元测试用例 29 4.4功能测试用例 29 4.4.2 后台音乐管理测试用例 30 4.4.3 用户登陆注册测试用例 31 4.5接口测试 31 4.6测试结论 32 第五章 软件安装 33 5.1安装准备 33 5.1.1.操作系统环境 33 5.1.2.集成开发环境 33 5.1.3.网络环境 33 5.2安装流程 33 5.2.1 配置 33 5.2.2 分布式组件安装 33 5.2.3 小程序安装 33 5.2.4 后台管理系统安装 34 结论 35 致谢 36 参考文献 37 via:https://github.com/RAOE/show-videos

基于Spark网易云音乐数据分析 包含模块 包含爬虫,Scala代码,Spark,Hadoop,ElasticSearch,logstash,Flume,echarts,log4j emotional_analysis_spider 爬虫模块 emotional_analysis_web 数据处理模块(Scala代码) emotional_analysis_recommend 推荐模块目前还未开发 emotional_analysis_web 报表展现模块 Crawler-sample-data 爬虫抓取样例数据 MySQL-yuncun MySQL数据库结构及数据 config ES logStash Flume 相关配置文件 mlib-text 机器学习分类测试相关数据 statistical-static-txt SparkSQL相关关联静态数据 分析内容 1.图计算 2.机器学习预测歌曲分类 3.评论词云 4.评论时间段 5.评论top榜 6.热歌top榜 7.用户性别比例 8.用户星座比例 9.用户年龄比例 10.用户全国地理分布 11.热评搜索等 来源https://github.com/20100507/emotional_analysis

机器学习识别图片验证码 使用方法 1.爬取验证码 2.对图像做处理并切分 3.手工标注数据 4.导入训练集 5.使用测试集 前期准备 1.Image (图像处理库) jpeg zlib PIL 2.numpy (数学处理库) 3.ImageEnhance (图像处理库) 图像处理 静态图片 1.清除图片噪点 2.清除图片干扰线 3.切割图片 4.信息输出 动态图片 1.按帧转存 GIF 2.读取每个 GIF 的 Duration 属性 3.找到 Duration 最长的图片，后同静态图片处理 识别算法 KNN SVM 根据算法的性质，可以将问题设定成一个二分类问题：识别数字1和2（当然也可以是其他的任意两个数字)。 来源https://github.com/Yaoshicn/decaptcha

基于Android的二维码扫描库 实现功能 可打开默认二维码扫描页面 支持对图片Bitmap的扫描功能 支持对UI的定制化操作 支持对条形码的扫描功能 支持生成二维码操作 支持控制闪光灯开关 来源https://github.com/smallsmallcase/a-app-in-android

位置信息管理网站设计 一、研究目的 本课题主要研究实现的是对用户定位的信息进行管理的网站，该网站是无线定位方式传输定位信息，具有一定的实时性、有效性和保密性等特点，可以定位使用该设备的人或宠物的历史位置。将定位的信息存入到数据库中实现信息的智能化管理也是物联网信息检索的又一项发展建设。 二、研究方法 本课题将对无线定位信息进行整合分析，方便用户对自身位置的实时了解。对于相关定位信息的管理将采用权限式，利用网站的实时交互性实现用户对位置信息的管理。方便在紧急情况下确定被定位的事物精准的地理位置。在显示时将引入地图显示及定位功能利用相关的WebGis技术对相关方面扩展。 三、研究结论 设计并且实现了一个位置信息管理网站设计，用My Eclipse作为开发工具，以SQL Server作为数据库，使用JSP语言开发。该系统界面友好、操作简单，容易维护，适合各种人群使用。 四、目录 引言 第1章 绪论 1.1 论文背景 1.2 系统开发的意义 1.3 研究现状和发展趋势 1.4 论文的基本结构 第2章 系统开发平台及相关技术 2.1 开发平台简介 2.2 系统运行环境及配置 第3章 系统需求分析 3.1 系统业务描述 3.2 可行性分析 3.3 功能需求分析 3.4 分析模型 3.4.1 业务流程图 3.4.2 实体模型图（ER图） 3.4.3 系统用例图 第4章 系统设计 4.1 概要设计 4.2 数据库设计 4.3 功能模块设计流程图 4.4 软件界面设计 第5章系统编码与测试 5.1 系统编码 5.2 系统测试 结论与展望 致谢 参考文献 附录 附录A外文文献及其译文 附录B 参考文献的题录及摘要 来源https://github.com/956159241/biyesheji

一、安装 方法一 pip install cnsenti 方法二 pip install cnsenti -i https://pypi.tuna.tsinghua.edu.cn/simple/ 二、快速上手 中文文本情感词正负情感词统计 Run 中文文本情绪统计 Run 三、文档 cnsenti包括Emotion和Sentiment两大类，其中 Emotion 情绪计算类,包括**emotion_count(text)**方法 Sentiment 正负情感计算类，包括**sentiment_count(text)和sentiment_calculate(text)**两种方法 3.1 emotion_count(text) emotion_count(text)y用于统计文本中各种情绪形容词出现的词语数。使用大连理工大学情感本体库词典，支持七种情绪统计(好、乐、哀、怒、惧、恶、惊)。 返回 其中 words 中文文本的词语数 sentences 中文文本的句子数 好、乐、哀、怒、惧、恶、惊 text中各自情绪出现的词语数 3.2 sentiment_count(text) 隶属于Sentiment类，可对文本text中的正、负面词进行统计。默认使用Hownet词典，后面会讲到如何导入自定义正、负情感txt词典文件。这里以默认hownet词典进行统计。 Run 其中 words 文本中词语数 sentences 文本中句子数 pos 文本中正面词总个数 neg 文本中负面词总个数 3.3 sentiment_calculate(text) 隶属于Sentiment类，可更加精准的计算文本的情感信息。相比于sentiment_count只统计文本正负情感词个数，sentiment_calculate还考虑了 情感词前是否有强度副词的修饰作用 情感词前是否有否定词的情感语义反转作用 比如 Run 3.4 自定义词典 我们先看看没有情感形容词的情形 Run 如我所料，虽然句子是正面的，但是因为cnsenti自带的情感词典仅仅是形容词情感词典，对于很多场景而言，适用性有限，所以pos=0。 3.4.1 自定词典格式 好在cnsenti支持导入自定义词典，但目前只有Sentiment类支持导入自定义正负情感词典，自定义词典需要满足 必须为txt文件 原则上建议encoding为utf-8 txt文件每行只有一个词 3.4.2 Sentiment自定义词典参数 pos 正面情感词典txt文件路径 neg 负面情感词典txt文件路径 merge 布尔值；merge=True，cnsenti会融合自定义词典和cnsenti自带词典；merge=False，cnsenti只使用自定义词典 encoding 两txt均为utf-8编码 3.4.3 自定义词典使用案例 这部分我放到test文件夹内,代码和自定义词典均在test内，所以我使用相对路径设定自定义词典的路径 正面词自定义.txt Run 上面参数我们传入了正面自定义词典和负面自定义词典，并且使用了融合模式（merge=True），可以利用cnsenti自带的词典和刚刚导入的自定义词典进行情感计算。 补充： 所设计的这个库目前仅能支持两类型pos和neg，如果你的研究问题是两分类问题，如好坏、美丑、善恶、正邪、友好敌对，你就可以定义两个txt文件，分别赋值给pos和neg，就可以使用cnsenti库。 来源https://github.com/thunderhit/cnsenti

宿舍系统 集成开发环境 Java 数据库 毕业设计💼 MD5加密🔒 SSM框架🎨 Layui框架🎄 实现功能 管理员的登录与登出 管理员，班级，学生，宿舍，卫生，访客各模块增删改查 个别模块关联查询 各个模块数据导出Excel 界面展示 转载自https://github.com/Joyrocky/DormitoryManager#dormitorysystem

基于移动设备的眼球追踪技术及其应用 一、研究目的 在本文中，我们主要验证在移动设备上进行实时眼球追踪的可行性，并提出使用眼球追踪进行移动设备控制。 二、研究方法 我们首先对眼球追踪技术进行测试，验证了现行眼球追踪算法在移动设备上进行眼球运动方向追踪的准确性。随后基于视频播放场景，在原有的控制技术基础上，实现了基于眼球运动方向的视频播放控制。相较于之前的研究，我们不仅验证了眼球追踪技术在移动设备上应用的准确性，同时提出了其适用的场景和相应的解决方案。 三、研究结论 针对用户观看视频过程中有时不便手动控制这一现象，我们率先将眼球追踪技术与视频播放控制结合起来，改善了用户使用体验。而经过实验验证，基于眼球运动方向进行操作控制的平均准确率达到 70.5%，这一新颖的控制方式被证明是可靠的。 四、目录 第一章 绪论 1.1 研究背景 1.2 本文工作 1.3 论文结构 第二章 相关工作 2.1 眼睛行为分析 2.1.1 视线估计 2.1.2 眼球运动 2.2 基于眼睛交互 2.2.1 隐式交互 2.2.2 显式交互 2.3 移动设备控制 第三章 瞳孔检测与眼球追踪 3.1 面临挑战 3.2 环境影响 3.2.1 距离 3.2.2 照明条件 3.3 眼睛检测 3.3.1 Harr特征选择 3.3.2 计算积分图像 3.3.3 Adaboost 训练 3.3.4 级联分类器 3.4 瞳孔中心定位 3.4.1 梯度方法 3.4.2 运行结果 3.5 眼球运动方向追踪 第四章 系统实现与性能评估 4.1 系统实现 4.1.1 视频播放器 4.1.2 基于眼球控制实现视频播放 4.2 性能评估 4.2.1 实验设置 4.2.2 眼球追踪模块 4.2.3 视频控制模块 第五章 总结与展望 参考文献 致 谢 来源https://github.com/njuzyh/EyeTrack