码市    203人浏览/32人投稿    938天前    已托管赏金

创建活动预约微信小程序 1）用户使用流程：用户点击小程序（微信授权登录） - 点击 “创建活动”按钮 - 选择 “房间模版、填写活动名称” - 选择微信好友 - “发送邀请”。 2）微信授权登录：小程序登录、微信、21pm账号三者相互关联。 3）模版的选择：用户在小程序里面可选的模版与21pm用户的模版一一对应。 4）创建房间时无需进入房间，只创建房间链接即可。 5）用户可通过点击分享给好友的链接进入活动，也可通过小程序中的“我的活动”的活动列表进入。 6）用户点击链接后，便可进入房间，不再需要点击开关麦克风等按钮（默认：麦克风关闭，声音开启）。 7）通过微信点击的链接，默认通过小程序打开，而不是通过浏览器打开。

匠迹众包    95人浏览/19人投稿    938天前    已托管赏金

更新安卓APP对接第三方SDK

码市    228人浏览/40人投稿    938天前    已托管赏金

现有若干长度的产品（种类大概100种），每种产品数量若干（大部分数量只有几个，少量能到50个）。既产品总数量 = 产品长度种类 * 产品数量最多取出 6个产品（产品长度可以相同）。产品取出后不在放回。取出的 产品长度加和介于两值之间，最大值，最小值 是外界输入（必要要求，代码中可以用一个变量写死）产品很大可能不能取尽，但要尽可能多的取出产品，尽可能多的组合接近最大值（第一个优先级高于第二个）请返回每一个组合，并返回剩余的产品验证数据：[1230,1505,3460,2285,1930,1515,1685,2240,1515,2990,1490,1690,1760,1490,1490,1490,1490]至少能得到这个数据 或者比这个更好的数据[1230,1505,3460,2285,1930][1515,1685,1690,1760,2240,1515][2990,1490,1490,1490,1490,1490]

码市    186人浏览/1人投稿    938天前    已托管赏金

简介：文旅类英文版网站页面设计（WEB端和移动端需适配）功能需求：1.适配网页端及手机端2.页面设计简洁大大气或炫酷、有特色，参考国外同类型网站3.网站整体UI设计及栏目页、详情页等设计4.网站交互较少，功能简单，但视觉效果有一定要求

匠迹众包    271人浏览/40人投稿    938天前    已托管赏金

cpk文件更新补丁

码市    257人浏览/44人投稿    938天前    已托管赏金

根据搭建的电商独立站进行渗透测试.漏洞测试.数据安全测试需要的技术.渗透.暴库.安全防护对网站进行渗透测试.数据库安全测试.漏洞测试.测试网站的整体安全性.主要针对国外电商独立站.进行一系列安全检测

匠迹众包    469人浏览/0人投稿    938天前    已托管赏金

我自己的app操作

匠迹众包    48人浏览/21人投稿    938天前    已托管赏金

php lavaral框架新增两项功能

实现    344人浏览/2人投稿    938天前    已托管赏金

核心需求 对指定的新闻文章的内容进行智能判断，提取出文章描述关键字和态度。新闻文章来源爬虫爬取的各新闻网站、微信公众号的。关键字是某单位主体的名称、简称，高校居多。如北京大学、北大，清华大学、清华。 文章的态度即是文本的情感态度，分为以下三种情况： 正面：文章对单位主体的认可赞美的。 中立：文章对单位主体进行客观真实的介绍，不包含个人立场。 负面：文章对单位主体不认可，进行批评指责甚至是恶意抹黑。 判断标准要能接近人工识别的标准，至少是让人看上去是相关的。 主要问题 在关键字提取时，像这些都是正文含有北京大学，情绪偏负面的。但是主体内容和北京大学无关的内容，是不需要的。要想办法过滤掉。这样用户一眼看过去相关度就高了。也就容易接受使用了。解决舆情系统误报问题，最终让舆情系统的检测更准确。 举例来说： 正文里面含有北京大学，但是整体文章和“北京大学”无关。造成误报。根本需求就是提高相关性，降低误报。 示例样本 根据识别是否正确，分为正样本（可以正确判断的样本）和负样本（会识别错误的样本）。 正样本 以下样本能够正确识别含有北京大学、或者北大的匹配的样本。 https://dy.163.com/article/HP3596OB0553THOL.html https://3g.163.com/dy/article/HH4N4H660536LOE0.html https://dy.163.com/article/HNE5U0TC0552UVEN.html https://www.cn-healthcare.com/article/20200619/content-538308.html 负样本 负样本主要有三类 第一类的可能是分词造成的。比如下面的含有“北大”，但是不是我们需要的北京大学的“北大”。 https://news.sina.com.cn/s/2022-12-19/doc-imxxeieh3862464.shtml http://www.zhuzhouwang.com/2020/1229/394854.shtml https://www.sznews.com/news/content/2022-12/19/content_25525650.htm 第二类，含有“北京大学”，但是这个新闻和北京大学没关系。 https://news.hangzhou.com.cn/shxw/content/2022-12/19/content_8429260.htm http://www.jiaodong.net/news/system/2022/12/17/014530967.shtml https://www.ztnews.net/article/show-393527.html http://news.66wz.com/system/2022/12/17/105529619.shtml https://hb.ifeng.com/c/8LlaffrCHQj 第三类，含有“北京大学”，内容也匹配。但是情感分析不准确。 对于已标记的数据，我们目前的训练结果准确度能达到90%多，但是对于未标记的数据，还是会有误判的情况。希望合作方能给出更好的解决方案。 最终输出： 合作者最好有过舆情开发经验，能提供以前的项目进行对比查看。如果是全新开发需能提供初步测试的demo进行在线测试。确定可行，提供整体的解决方案，架构设计，程序源码。

匠迹众包    33人浏览/0人投稿    938天前    已托管赏金

uniapp第三方接口对接