IT牛人博客聚合

    去年年初的时候，我曾经发布过某专业课期末作业研究过程中带来的一个有趣的副产品：汉字的字义网络图。不过，当时我是直接调用的 Mathematica 的相关函数，函数几乎不能调整参数，并且也无法处理边上权重不同的情况。最近在研究引力斥力绘图算法，突然想到把当时的数据重新画一张图。于是就有了汉字地图第二版（点击小图看大图）：

   

    还是简述一下整个图的制作方法吧。我们的基本依据就是，在全唐诗中，经常对偶的字往往都有非常密切的关系。于是，我们首先找出全唐诗中的对偶字：

   &n

查看全文: http://www.udpwork.com/item/6387.html

    昨天和同事聊到，汉语还真是奇怪，有“四分五裂”，有“五颜六色”，也有“七上八下”，但好像从没听说过六什么七什么的。于是想到，在汉语中，“数词 + 非数词 + 数词 + 非数词”的短语是怎样分布的呢？回到家后立即用 Mathematica 做了一个柱状图，绘出了九九八十一种数词短语模式在大规模真实语料中的出现频数。注意，这里统计的是总的出现频数，重复出现也会计算在内。另外，这是一个简单而机械的统计过程，因而 “三人一组”、“七天七夜”之类的非成语也被算了进来。

      

    嗯

查看全文: http://www.udpwork.com/item/6079.html

今天，我拿到了梦寐以求的大规模中文语料库，总大小超过 1 G ，覆盖了各个时代各种文体的中文资料。有了这个语料库后，我便能完成很多早就想做的事情，比方说，统计各种文体中出现频率最高的四字词。给定一段文本后，基本的统计过程如下：

  1. 统计所有连续四字的出现频数；

  2. 按频数对所有四字组合从高到低排序；

  3. 删掉所有包含非汉字字符（比如数字、标点）的四字组合；

  4. 删掉明显不成词或者不成词组的四字组合（这一步有人为因素，因此下面的数据并不是 100% 客观的）；

  5. 列出频数最高的 10 个四字词。

查看全文: http://www.udpwork.com/item/5973.html

    最近忙于写学年论文，一直没时间更新 Blog 。不过，我却并没有停止在网上闲逛的习惯。这几天会慢慢把最近看到的有意思的东西写下来。今天学到的一个比较有趣的东西就是：平均等待时间往往大于平均间隔时间的一半。

    比方说，有这么一趟公交车，平均每 10 分钟发一班车，但具体的发车时间是很不固定的。如果你在某个时刻来到车站，等到下一班车平均要花多久呢？很多人或许都觉得，平均等待时间应该是 5 分钟，毕竟平均间隔时间是 10 分钟嘛。然而事实上，平均等待时间是大于 5 分钟的。这是因为，10 分钟的发车间隔只是一个平均值，实际间隔有时是几分钟，有时

查看全文: http://www.udpwork.com/item/5088.html

日志在计算机系统中是一个非常广泛的概念，任何程序都有可能输出日志：操作系统内核、各种应用服务器等等。日志的内容、规模和用途也各不相同，很难一概而论。

本文讨论的日志处理方法中的日志，仅指Web日志。其实并没有精确的定义，可能包括但不限于各种前端Web服务器——apache、lighttpd、tomcat等产生的用户访问日志，以及各种Web应用程序自己输出的日志。

在Web日志中，每条日志通常代表着用户的一次访问行为，例如下面就是一条典型的apache日志：

211.87.152.44 – - [18/Mar/2005:12:21:42 +0800] “GET / HTTP/1.1″ 200

查看全文: http://www.udpwork.com/item/4939.html

每家公司都有各自不同的需求，我需要的是什么？

眼花缭乱的统计系统，该如何取舍？

流量概况
今天的流量是增了？是减了？幅度是多少？

现在所调用的统计系统，能否很方便的公开一个概况给广告主查询？

全景统计、百度统计目前没有相关功能。Google统计实在难以共享，就算共享了，没接触过的人也不太容易看明白。而CNZZ目前只能公开全部的信息，这其中包含了站长引流量所用的“搜索关键词”以及重要的“推介路径”，这些我们不想让竞争对手看到的信息，希望可以隐藏。最后谈51la，虽然功能很强大，但界面实在丑陋的无法忍受，好在聊胜于无，凑合用了：

流量拓展
让用户把网址设为首页，这种直接流量不好掌控，但是其他两种渠道，推介链接和关键字，是可以进

查看全文: http://www.udpwork.com/item/2457.html

Author:NinGoo posted on NinGoo.net
用perl写了一个简单的工具，用于实时查看数据库的统计状态信息，展现信息主要来源于Oracle数据字典中v$systat和v$system_event。写这个工具的初衷，是因为目前我们对于数据库的监控，更多的是分钟级别抽样的数据来绘制的图形，粒度相对还比较粗，有一些比较深的问题，需要更加细粒度的数据。而如果把监控的粒度做到秒级，则收集的数据量就会非常大，因此需要一个平衡，平时采用分钟级别的抽样数据已经足够用于预警，而秒级的则用于某个具体问题的分析。

当前tbstat功能还比较简单，类似于iostat/vmstat等os工具，tbstat可以通过指定抽样间隔和抽

查看全文: http://www.udpwork.com/item/1694.html