排行榜书名号(书名号 直排)
大家好!今天让创意岭的小编来大家介绍下关于排行榜书名号的问题,以下是小编对此问题的归纳整理,让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具,一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词,就能返回你想要的内容,越精准,写出的就越详细,有微信小程序端、在线网页版、PC客户端
官网:https://ai.de1919.com,如需相关业务请拨打电话175-8598-2043,或添加微信:1454722008
本文目录:
一、九键的公怎么打
九键怎么打您好!亲 1、首先点击输入框调出键盘,在弹出的键盘上边选择键盘小图标,然后选择拼音九宫格。2、练习打字,以你们好为例。在拼音键左侧是精确的拼音,如果显示的不是我们需要的字,可选择正确的拼音。“你”是有ni拼音,所以按拼音顺序,点击46。“们”是有men拼音,所以按拼音顺序,点击636。“好”字是有hao拼音,按拼音顺序点击42。3、现在可以看到键盘上方准确的出现在键盘上方,点击这三个文字,就准确完成了输入。4、如果联想出来的文字不是需要的文字,可以点击文字右侧向右书名号按钮。5、可以看到有很多字可以选择。6、点击键盘左下角的符字按钮,可以打开符号键盘,有常用到序号共九种可以选择。7、点击左下角的返回可返回九宫格键盘。按钮“123”可以打开数字键盘,123右侧的按钮为空格键,中/英为中文英文切换。

问题还没解决?快来咨询专业答主~
九键怎么打
在线
2663位答主在线答
服务保障
专业
响应快
马上提问
40345人对答主服务作出评价
回答切中要害老师态度很好回答专业迅速回答很耐心认真大平台保障,服务好回答切中要害老师态度很好回答专业迅速回答很耐心认真大平台保障,服务好
抢首赞
分享评论
键盘小键盘-京东电脑办公排行榜,赶快了解一下!

萌可儿 mini迷你小键盘数字键盘笔记本外接键盘财务会计办公专用女生可爱2.4G无线接收器 黑红混彩
¥79.9 元

萌可儿 mini迷你小键盘数字键盘笔记本外接键盘财务会计办公专用女生可爱2.4G无线接收器 蓝色混彩
¥79.9 元

萌可儿 mini迷你小键盘数字键盘笔记本外接键盘财务会计办公专用女生可爱2.4G无线接收器 绿色混彩
¥79.9 元

萌可儿 mini迷你小键盘数字键盘笔记本外接键盘财务会计办公专用女生可爱2.4G无线接收器 柠檬黄混彩
¥79.9 元

USB小键盘2键复制粘贴ctrl一键密码多组合键自定义快捷键osu音游改键JEQLO 黑色 红轴
¥52 元
京东广告
10大键盘排行榜-京东电脑办公,十大性价比排行榜,钜惠送不停!

樱桃(CHERRY)STREAM有线键盘轻音办公商务家用磨砂质感十大功能按键键盘黑色
¥189 元

樱桃(CHERRY)STREAM有线键盘轻音办公商务家用磨砂质感十大功能按键键盘黑色
¥199 元

樱桃(CHERRY)STREAM有线键盘轻音办公商务家用磨砂质感十大功能按键键盘白色
¥189 元

樱桃(CHERRY)STREAM有线键盘轻音办公商务家用磨砂质感十大功能键盘白色
¥199 元

悦磁 真机械键盘104键吃鸡电竞游戏朋克笔记本台式电脑通用办公打字有线发光背光LOL键盘鼠标键鼠套装 黑色混光黑轴-旋钮朋克版【二十种灯效 电镀圆键】
¥149 元
京东广告
九键怎么打

生活老师小贝
服务态度好
您好亲亲,1、首先点击输入框调出键盘,在弹出的键盘上边选择键盘小图标,然后选择拼音九宫格。2、练习打字,以你们好为例。在拼音键左侧是精确的拼音,如果显示的不是我们需要的字,可选择正确的拼音。3、现在可以看到键盘上方准确的出现在键盘上方,点击这三个文字,就准确完成了输入。4、如果联想出来的文字不是需要的文字,可以点击文字右侧向右书名号按钮。5、可以看到有很多字可以选择。6、点击键盘左下角的符字按钮,可以打开符号键盘,有常用到序号共九种可以选择。7、点击左下角的返回可返回九宫格键盘。按钮“123”可以打开数字键盘,123右侧的按钮为空格键,中/英为中文英文切换。
二、求历届快乐女声、男声排名
1、2004年超级女声:冠军:安又琪,亚军:王缇,季军:张含韵。
2、2005年超级女声:冠军:李宇春,亚军:周笔畅,季军:张靓颖。
3、2006年超级女声:冠军:尚雯婕,亚军:谭维维,季军:刘力扬。
4、2007年快乐男声:冠军:陈楚生,亚军:苏醒,季军:魏晨。
5、2009年快乐女声:冠军:江映蓉,亚军:李霄云,季军:黄英。
6、2010年快乐男声:冠军:李炜;亚军:刘心;季军:武艺。
7、2011年快乐女声:冠军:段林希,亚军:洪辰,季军:刘忻。
8、2013年快乐男声:冠军:华晨宇,亚军:欧豪,季军:白举纲。
9、2016年超级女声:冠军:史兆怡,亚军:方圆,季军:张晓钰。
10、2017年快乐男声:冠军:魏巡,亚军:养鸡,季军:尹毓恪。
扩展资料:
相关冠军人物介绍:
1、安又琪
安又琪,中国内地流行乐女歌手、影视演员,毕业于北京电影学院。代表作品:《你好,周杰伦》、《有你陪着我》、《谈情说爱》、《因瞰朵》、《Miss安》、《大爱Crazy Love》等。
2、李宇春
李宇春,中国流行女歌手、演员、词曲创作人、演唱会导演。代表作品:《下个路口见》、《和你一样》、《再不疯狂我们就老了》、《野蛮生长》等。
3、尚雯婕
尚雯婕,中国内地女歌手、演员、音乐人。代表作品:《最终信仰》、《Big up》 、《鹿 be free》、《single boy》等。
三、简书用户画像 之 如何挖掘用户的电影喜好
我在 《爬取百万页面 分析用户画像》 中分析了用户的书籍喜好,这里继续尝试通过影评文章的抓取、内容清洗、影评句子提取,建立机器学习情绪预测模型,挖掘分析用户对流行电影的喜好。
涉及的NLP(自然语言处理)知识点:
涉及的ML(机器学习)知识点:
电影的拍摄成本高、票价也不低,消费者投入的关注度和观看成本高(最终的投入成本是包括注意力投入、金钱投入、时间投入和感情投入)。
简单算下观看一部电影的成本(步骤):先看下预告内容,做下同期上映电影的比较,觉得导演、演员阵容都不错,下定决心要看了,跟男/女友/老婆 /老公/基友/闺密做推荐,推荐成功后去选座买票,观影当天说不定还得先吃个饭,饭后乖乖的在影院呆上90分钟(关键时刻还得憋尿),观影结束后指不定还得来个夜宵、开个房间探讨下人生什么的。。。
读一本书的成本(步骤):1.打开书/电子阅读器/手机;2. 读!
这样对比看一部电影比读一本书的投入成本高多了!
因此观众给出的反馈自然也比书籍会强烈一些,特别是满怀期待看完却发现是一部烂片,有种上当受骗的感觉。
因此对电影光是通过词频作为喜好度是不够的,用户可能反复的在骂呢。
所以需要引入多一个分析的因子:情绪。用户提及某个电影时的情绪是怎么样的,是积极愉悦、还是负面愤怒,加上这个才能有效判定用户对电影或者某个事物的喜好。
在豆瓣上,用户的评分就是最直接的情绪数值:5力荐,4推荐,3还行,2较差,1很差。
但在这类写作平台上,发布文章时是没有一个选项来填写分数,也没提供选择心情的选项。
“所言即其所思”,这是普遍人性。每个用户写下的文字表达想法,在字里行间都会不经意的使用一些情绪用词来表达,这些便是我可以获取的“原始数据”。
精准推荐!用户谈论得多的东西未必是TA所喜爱的,也许是TA痛恨的(比如说前任)。如果用户在自己大力差评某部电影的文章底部看到另一部相似烂片的推荐,推荐文案还写着“亲,我猜你还喜欢看这些”,估计这用户会有种吃了苍蝇刚吐出来发现迎面又飞来几只的感觉。
通过用户在讨论某事物时上下文的情绪分析,来判断对该事物的喜恶,将预测结果加入对事物的打分计算中,最后得出一个可量化、可计算的分数值,便是一个精准推荐系统的需要解决的问题。
理论上只需要一句话:要识别出文章中提及的电影,以及作者对该电影的评论,是好评还是差评,作为文章作者对该电影的喜恶,并根据评论的情绪强烈程度转化为喜恶程度即可。
那实际上,就要解决以下问题:
下面逐一细说。
我采集了上几个比较受欢迎的电影专题以及一个大V帐号文章(数据截止至采集数据时):
但由于对专题页面加了访问限制,每个专题只能访问到最新的200个列表页面,因而每个专题可获取2~3000篇文章,以此作为抽样数据样本。
要分析对电影的评价,首先就要获取到文章中提到电影名称有哪些,最简单的匹配规则便是提取书名号 《》 内的内容。
而实际获取到的电影名称真可谓“脏乱差”,有电影名、书籍名、文章名等,有些电影名称会用缩写引用(如《变1》、《复联》、《生化危机4/5/6》),或者中英文混合在一起(如《机器人总动员(wall-e)》),甚至还有错漏别字(如《那些年,我们一起追过的女孩》,多了个“过”字),以及包含中英文特殊标点空白符号等,例如:
因此需要进行一轮“数据大清洗”,我使用如下清洗策略:
其中“电影专用词典”,是通过采集了 「猫眼 影片总票房排行榜」 2000~2017年间上榜的所有电影,约有3000+部,如图:
再根据文章中所收集到的电影名称的候选文本,抓取「豆瓣网」的官方电影名字(遭遇了豆瓣业内闻名的反爬策略就不多说了),合并去重后约有8400多部。看一眼才发现好多电影连听都没听过,有些电影名称还挺有趣,以后有时间还可以做下电影名称的分析。
为了解决错别字,我通过文本相似性算法,在电影专用词典里找出与之最相似名称。
知名的相似算法有不少,如:
经过简单比较,我选择了其中表现最好的 jaro_winkler_distance
运用到文章内容上,可得到相似电影名称,感觉效果还可以:
构建一个Pipeline用于提取页面中电影名称,对单个页面测试效果如下:
运用到所有页面上:
至此完成了电影名称的提取、清洗,得出每篇文章提及的电影名称,如图:
判断一篇文章的情绪,最简单的做法是通过提取所有情绪词来统计下词频及其权重可得到一个粗糙的结果,但这样的结果对“影评”类文章不是很准确。
根据观察,一篇电影评论文章中,往往会有大段的电影情节描述,然后夹杂一两句评论。而有些电影本身剧情就是比较负面、阴暗的(如灾难片类的),但影片本身质量很高(如《釜山行》,豆瓣评分8.2),如果文章内容包含大量的剧情描述,那么得到关键词会偏向于负面情绪,并不能用于表达出作者对电影的喜好情绪。
因此我使用了这样的提取策略:
评论句子提取的结果示例如下:
这样的策略对有些内容不是很适用,例如这样的标题:《同样是豆瓣9.2分,它或许比《摔跤吧!爸爸》更深》,这是典型的“借势营销”型文案,文章内容中推介的是另外一部韩国电影《熔炉》,而时下《摔跤吧!爸爸》正热,标题中带上这个会更吸引用户点击。
另外一个思路是对文章进行摘要提取,然后对摘要进行情绪识别。而对于文章的主题提取,可以使用在ML算法中的用于解决 主题模型 问题的算法(如LDA),但不确定是否适合影评这种混合了大量剧情描述的文章内容。
得到相关评论文本后,便可对文本进行分词及情绪识别,这里有两种做法,一是使用带有情绪情感度的专业词典,配合专有算法;另外一种是使用机器学习算法。
一开始我使用了大连理工大学的《大连理工情感词汇本体库》,是目前最权威的中文情绪词典,共含有情感词共计27466个,包含了词语的词性种类、情感类别、情感强度及极性等信息,例如:
中文情感词汇本体的情感分类体系是在国外比较有影响的Ekman的6大类情感分类体系的基础上构建的。在Ekman的基础上,词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感共分为7大类21小类,如图:
把情感词典加入分词词典,对候选每个句子进行分词,得出情感词组,并累加每个情感词的强度值作为句子的情感值。
但经过测试后,发现预测效果并不理想,究其原因发现是情感词典中命中的词语太少,在句子中得不到相关词语,也就无法判断情感极性和强度。
使用情感词典的测试结果:
而专业词典的扩展需要专业领域知识,扩展起来很困难,我目前没找到更新的专业词典,国内这块的资料相当匮乏,而国外有个知名的SentiWordNet库,中文NLP研究的难度系数可想而知。
鉴于情感词典的资源限制,决定尝试使用机器学习来对文本做正、负面情绪预测。
1). 构建分词词典:
分词需要构建专用领域的词典,这样得到的分词结果才会更精确。
因为只需要有正负情感类别、不需要有情感强度及极性等信息,我使用了网络上公开的一些情感词典,:
合并、清洗和去重后,最终构建出了 14000+ 个词的积极情绪词典, 18000+ 个词的消极情绪词典。
积极词典:
消极词典:
2). 准备训练语料
从网上搜集到几个带有积极、消极的标注的评论语料数据集,分别包含了书籍、DVD、音乐、购物领域的各有4000条评论,如下图:
可惜没找到中文影评相关的语料,但找到 国外英文的影评语料 ,对,英文资料很丰富。。。
3). 训练模型
由于是文本型特征,分类算法上选择了 朴素贝叶斯 ,把数据分为2份,一半训练,另一半做测试。
使用 jieba 分词工具,对文本进行分词得到候选词组,把得到的词组作为特征输入来训练情绪预测模型。
训练后的模型测试结果如下:
训练后的模型在书籍、音乐、影碟及购物评论的语料上都有不错的效果。
在提取出的影评短句上测试:
又是“无聊”、“又俗又傻”而一个“但”字就反转了情绪,真是难为分类器了:
经过反复对比实验,发现语料的质量决定了模型的精度,而语料的扩展对比扩展专业词典却容易多了。例如几年前都没有“ 因吹斯汀 ”这些网络流行词,更不知道它代表是正面情绪,以后只要不断更新相关领域的语料库来重新训练则可得到更精确的模型。
俗话说“是骡子是马拉出来遛遛”。
得到一个预测情绪的模型后,便可对影评文章进行预测,但预测的结果是否准确?准确率又有多高?这又是个问题。
每当事情陷入停滞,我就会想起日本漫画大师安达充说过“当故事情节发展不下去的时候,加入一个新角色,是最简单的做法”。
这时需要祭出一个“旁证”了。这所谓的“旁证”,也就是目前大家比较认可的电影评分网站——豆瓣网。
大家都知道豆瓣网上的电影用户通过打星(5力荐,4推荐,3还行,2较差,1很差),转换得出的10分制的评分,我们可简单把1 4.9分视作负面评价、5 10分视作正面评价,没有分数的视作中性评价。再把豆瓣的评价结果视作大部分人认同的结果,当然这样肯定是有偏差的。
大胆假设,小心求证,先试试看吧。
根据电影名词典再次去抓取豆瓣网上的电影信息,这次包含了电影分数::
使用获取到的电影专题『电影院』文章内容测试,结果如下:
1048篇中,豆瓣评分结果与模型预测符合的有974篇,准确率是92.9%,WOW!真的这么准吗?
看下详细结果,豆瓣评分是正面的有1022条,预测对了973篇,例如:
而豆瓣评分是负面的有28条记录,而模型只预测出1篇是负面的:
真的是模型预测错了吗?
从负面例子中抽样看看模型分解的结果:
评论《麻烦家族》(豆瓣评分4.8)的:
从自动摘要出来的句子来看,实际上文章作者表现出正面情绪,模型预测为正面,预测正确 😊。
再看评论同一部电影的另外一个文章的评论:
作者显然是给了个差评,但模型给了出的预测是正面,预测错误 😞。
负例的预测准确率低,有两个原因,一个是豆瓣评分正负标准的阀值设定不够精准,二是训练数据不平衡。
之前使用的阀值策略是:“简单把1 4分视作负面评价、5 10分视作正面评价,没有分数的视作中性评价”。
我猜测在4~5分这个区间应该是灰度地带,正负面评论都会有。为了验证这个猜想,使用获取到的所有豆瓣电影分数,导入数据分析工具中,排除掉没有分数的条目后得到6500+条电影数据,其中最低是2.1,最高是9.7。
查看评分分布的直方图与比例饼图:
调整区间阀值,把 2.1-4.9 划分为一个区间,系统自动分成了3组分值:
发现5分以下电影仅占12%。
从评分分布结果看,在上大部分人写文章是针对高分(好评)电影为主,低分(差评)电影的文章数量很少,从提取出来的数据量看,两者比率约为100:3。
训练数据不平衡导致正例过拟合,而负例欠拟合。
要解决数据不平衡问题,可以重新采样训练集。有两种方法使不平衡的数据集来建立一个平衡的数据集——欠采样和过采样,解释如下:
由于训练数据不多,我使用了 过采样 中的自举方案。我将另外一个的电影专题『影视天堂』中模型预测结果与豆瓣评分结果一致的内容作为训练数据集来强化训练模型:
然后再对电影专题『电影院』测试一次:
负例的准确率改善了一些些,这说明效果是有的,以后只需继续获取到新的数据再“喂”给模型,模型预测结果会越来越精准。
至此,得到一个不算成熟的电影情绪预测模型,可以用来做一些有趣的统计分析了。
将『影视天堂』专题的分析结果在数据分析工具上进行数据可视化展示,得到一个「长尾图」:
从报表中可得到这些信息:
注1:严格来说《欢乐颂》不是电影而是电视剧作品,在用豆瓣网的数据构建电影词典时我没有做严格区分
注2:专题的数据获取是在5月份完成的,以及专题的最新收录文章有访问限制,无法获取到旧的文章,因此得到的当时热门影视作品的影评,从而呈现出信息跟当时热播作品比较相关
再对先前获取到的 1万个用户的近60万篇文章内容 ,运行相应的Pipeline进行电影情绪数据的提取。
可视化数据后得到图表:
现在可以看看,上用户给予好评的电影有哪些,使用「词云图」展示如下:
用户给予差评的电影有哪些:
现在也可以精准了解每一个用户的电影口味了,以 『毒舌电影 - 』 为例子:
注3:本文发表时上“毒舌电影”经历过被封事件后已改名为“Sir电影”;专题“影视天堂”已改名为“电影”
以后做电影个性化推荐可就不要推荐错了 😉。
四、现在最流行的歌曲都有哪些?
(都是精选精挑的好听歌曲)
李玖哲《想太多》,《你好吗》,《围墙》,《退后》,《快点来爱我》
潘玮柏《玩酷》,《爱不离》
周蕙《学会》
唐禹哲《最爱还是你》,《吻到一公里之外》,《爱我》
苏打绿《无与伦比的美丽》
蔡景佑《我可以》
历娜
灰色幸福
张惠妹《如果你也听说》
张韶涵《不想懂得》
陶喆:《普通朋友》《自导自演的悲剧》《黑色柳丁》《寂寞的季节》
张靓颖:《个人秘密》
蔡依林/陶喆:《今天你要嫁给我》
F.I.R:《天天夜夜》
容祖儿:《爱情复兴》
王心凌:《彩虹的微笑》
花儿乐队:《我的果汁分你一半》
蔡依林:《乖乖牌》
蔡健雅:《Beautiful
Love》
古巨基:《爱得太迟》
何洁:《发光体》
陈绮贞《旅行的意义》
周笔畅《别爱我像爱个朋友》
周杰伦&温岚《屋顶》
五月天《温柔》
TANK《给我你的爱》《三国恋》.
如果你也听说
张惠妹
月牙湾
f.i.r
↑
玩酷
潘玮柏
↑
G大调的悲伤
张靓颖
↓
酷爱
张敬轩
↓
新专辑《酷爱》
出神入化
飞轮海
↑
穷开心
花儿乐队
↓
特务J
蔡依林
↑
蔡依林一贯的风格,熟悉的那段前奏
1
百度网友点评
爱的期限
薛之谦
纯音乐
Kiss
The
Rain
神秘园之歌
天空之城
再见警察
卡农
夏日香气
迷情仙境
Tears
dream
catcher
被遗忘的天使
我在那一角落患过伤风
很流行的韩日歌曲
rain-sadtango
李孝利
TOC
TOC
TOC
李孝利
不要爱上他
所以
冰淇淋
MC梦
爱情过后
劲舞歌曲
30次左右
question
ha,yoo
sun
i
believe
劲舞歌曲
坚持
us
never
say
goodbye
u
superjunior
听我说
papaya
不能遗忘你
tonight,i
feel
close
to
you
仓木麻衣&孙燕姿
我的人
sg
wannabe
试着说
WaWa
2年零2月
fod
一个人/两个人/只有你
蔡妍
花样
松隆子
Come
on/飞机
乌龟
relove
徐智英
最流行的英文歌:
I'm
Gonna
Getcha
Good!--Shania
Twain
<一定要听这首哦>
Never
Had
A
Dream
Come
True--S
Club
7
最近开始听这首歌的,太好听了
Any
Man
Of
Mine--Shania
Twain
还有这个
My
name
is
--Emimem阿姆的经典之作
Happy
Boys
&
Girls---Aqua
他\她们的歌很活泼
Barbie
Girl--Aqua
When
You
Say
Nothing
At
All--Alison
Krauss细心品味,我很喜欢这首歌的
Candy
Shop--50
Cent
相信很多人听过吧
Back
to
you--Bryan
Adams
The
Power
Of
Love--Celine
Dion
yellow--coldplay
I
COULD
BE
THE
ONE--Donna
Lewis
声音很甜
Without
Me--Eminem
又一首阿姆的经典之作
Don't
Turn
Off
the
Light--Enrique
Iglesias
Any
one
Of
Us--Gareth
Gates
经典
American
Idiot--Green
Day
朋克乐,我很喜欢
Boulevard
of
Broken
Dreams--Green
Day
Moonlight
Shadow
--Groove
Coverage
Yesterday
Yes
A
Day--Jane
Birkin
Because
You
Live--Jesse
McCartney
人又帅歌又好
When
You
Believe--Mariah-Carey
很多地方介绍这首经典的
Nothing
gonna
chang
my
love
for
you
We
Will
Rock
You--Queen
摇滚中的经典
better
man--Robbie
Williams
第一首:Stand
第二首:peerless
第三首:floorfiller
第四首:sosforlove(又名:爱情求救号)
第五首:hey-oh
第六首:OneForDaMoney
第七首:Ein
Kleines
Lied
第八首:la
isla
alizee
第九首:groove
coverage
第十首:LET'S
TALK
ABOUT
A
MAN
第十一首:Human
Sacrifice
第十二首:Wet
Wet
Wet
第十三首:
冰河时代2
第十四首:i
saw
you
walking
in
the
rain
第十五首:You`re
Not
Gonna
Score
第十六首:Self
Control
Laura
Bran
第十七首:doo
be
di
boy
第十八首:dreams
come
true
``
第十九首:I
Saw
You
Walking
In
The
Rain
``
第二十首:sound
of
my
dream
``
DJ舞曲:
TIME
TO
ROCK
舞曲大帝国
大爆炸
lalalove
Its Ok
i'm
gonna
getcha
good
!
仙尼亚
唐恩
辛巴达
皇冠一刻钟
AU坚持
ARE
YOU
DJ
talala
walking
in
the
sun
one
for
da
money
move
somethin
do
somethin
Close
to
You
Radio
Jay
Delano
DJ
Let
s
Talk
About
A
Man
La
Club
king
chipz
in
black
我敢保证一定很好听,只选好听的,不选多的,楼主听下吧。好听记得加分哦!谢谢
以上就是关于排行榜书名号相关问题的回答。希望能帮到你,如有更多相关问题,您也可以联系我们的客服进行咨询,客服也会为您讲解更多精彩的知识和内容。
推荐阅读: