工业界的微服务系统通常是由几十到几千个服务运行在不同的机器上组成的大规模分布式系统。系统的异常往往可以体现在trace和log中，分别记录服务间的交互和服务内的行为。现有的跟踪异常检测方法将跟踪视为一系列服务调用。他们忽略了由其调用层次结构和并行/异步调用带来的跟踪的复杂结构。另一方面，现有的日志异常检测方法将日志视为一系列事件，无法处理分布在大量交互复杂的服务中的微服务日志。在本文中，我们提出了

广告 (ad) 收入在支持免费网站方面起着至关重要的作用。当收入急剧下降或增加时，广告系统运营商必须找到并修复根本原因（如果可行的话），例如，通过优化基础设施性能。这种收入调试类似于系统文献中的诊断和根本原因分析，但更为普遍。基础设施要素的故障只是一个潜在原因；许多其他维度（例如，广告商、设备类型）可能是潜在原因的来源。此外，随着收入一起跟踪的每次点击成本等派生指标使问题变得复杂。我们的论文首次系

尽管深度学习在许多机器学习问题上取得了巨大进步，但用于异常检测的深度学习方法相对缺乏。那些确实存在的方法涉及经过训练以执行异常检测之外的任务的网络，即生成模型或压缩，这些网络又适用于异常检测；他们没有接受过基于异常检测目标的培训。在本文中，我们介绍了一种新的异常检测方法——深度支持向量数据描述——该方法是在基于异常检测的目标上进行训练的。对深层机制的适应需要我们的神经网络和训练程序满足某些属性，我

文本分类是自然语言处理中最基本和最重要的任务。由于深度学习取得了空前的成功，在过去十年中，该领域的研究激增。文献中提出了许多方法、数据集和评估指标，提出了对全面和更新调查的需求。本文通过回顾 1961 年至 2020 年最先进的方法填补了空白，重点关注从浅层到深度学习的模型。我们根据涉及的文本和用于特征提取和分类的模型创建文本分类的分类法。然后我们详细讨论这些类别中的每一个，处理支持预测测试的技术

工业界的微服务系统通常是由几十到几千个服务运行在不同的机器上组成的大规模分布式系统。系统的异常往往可以体现在trace和log中，分别记录服务间的交互和服务内的行为。现有的跟踪异常检测方法将跟踪视为一系列服务调用。他们忽略了由其调用层次结构和并行/异步调用带来的跟踪的复杂结构。另一方面，现有的日志异常检测方法将日志视为一系列事件，无法处理分布在大量交互复杂的服务中的微服务日志。在本文中，我们提出了

自然语言处理（NLP）文本分类总结（基础概念+机器学习模型+深度学习模型）简要代码实现方法TensorFlow版本

机器学习算法——评估方法总结

机器学习算法——分类算法总结

尽管深度学习在许多机器学习问题上取得了巨大进步，但用于异常检测的深度学习方法相对缺乏。那些确实存在的方法涉及经过训练以执行异常检测之外的任务的网络，即生成模型或压缩，这些网络又适用于异常检测；他们没有接受过基于异常检测目标的培训。在本文中，我们介绍了一种新的异常检测方法——深度支持向量数据描述——该方法是在基于异常检测的目标上进行训练的。对深层机制的适应需要我们的神经网络和训练程序满足某些属性，我

命名实体识别 (NER) 是从属于预定义语义类型（如人、位置、组织等）的文本中识别刚性指示符的任务。NER 一直是许多自然语言应用的基础，如问答、文本摘要和机器翻译。早期的 NER 系统在以设计特定领域的特征和规则的人工工程成本实现良好性能方面取得了巨大成功。近年来，深度学习通过非线性处理得到连续实值向量表示和语义组合的支持，已被用于 NER 系统，产生了最先进的性能。在本文中，我们全面回顾了现有