本系列文章共2篇，对 Java 语言的异步非阻塞模式进行科普。《原理篇》讲解异步非阻塞模型的原理，以及核心设计模式“Promise”的基本特性。《应用篇》会展示更加丰富的应用场景，介绍 Promise 的变体，如异常处理、调度策略等，并将 Promise 和现有工具进行对比。
限于个人水平和篇幅，本系列以科普为主，内容更偏重于原理、API 设计、应用实践，但是不会深入讲解并发优化的具体细节。
微信
新浪微博
有道云笔记
本文主要描述了怎么样提高一个客户端开发排查和定位的效率，并且动手写了一个小工具的实践和思考，以及团队中其他合作者能够提高了定位问题效率，验证功能是否准确的效率。
作者/马杰 中国大学 MOCC 团队
编辑/刘振宇
一、前言
中国大学 MOOC 是由网易与高教社携手推出的在线教育平台，承接教育部国家精品开放课程任务，向大众提供中国知名高校的 MOOC 课程。目前，无论是课程数量、质量还是社会影响力，中国大学 MOOC 都已成为全球领先的中文慕课平台。
在日常的 Android 开发中，我们经常会遇到以下的一些问题：测试、运营、产品同学跑过来说这个页面出了问题，赶紧看下。这时候客户端开发同学就需要赶紧定位到具体的某个页面。
据观察，大部分的情况下对于一个突发页面的问题定位，或者业务方想让开发者确认这个页面的业务逻辑的时候，客户端开发者，往往需要花费比较长的时间去给业务方答复。如果近期业务可能还能记得，但是客户端的页面比较多，想要快速定位到具体业务页面，那么就需要花更多的时间去找相关的页面。
所以本文的想法是怎么快速找到对应的页面，帮助开发快速的进入业务代码，快速的回复业务方提出的问题。
前言
seata是阿里巴巴研发的一套开源分布式事务框架，提供了AT、TCC、SAGA 和 XA 几种事务模式。本文以精品课项目组的物流后台服务为例，介绍seata框架落地的过程，遇到的问题以及解决方案。
作者/ 邓新伟
编辑/ 网易有道
有道精品课教务系统是基于springcloud的分布式集群服务。在实际业务中，存在许多分布式事务场景。然而传统的事务框架是无法实现全局事务的。长期以来，我们的分布式场景的一致性，往往指的是放弃强一致性，保证最终一致性。
我们从调研中发现，seata框架既可以满足业务需求，灵活兼容多种事务模式，又可以实现数据强一致性。
本文以物流业务为例，记录了在实际业务中落地seata框架落地的过程中遇到的一些问题以及解决方案，供大家学习讨论~欢迎大家在留言区讨论交流
简介
在人工智能技术不断深入发展的今天，我们对于计算的性能要求越来越高。传统的计算处理多数是基于云侧的，把所有图像、音频等数据通过网络传输到云中心进行处理后将结果反馈。但是随着数据的指数式增长，依靠云侧的计算已经显现了诸多不足，例如数据处理的实时性、网络条件制约、数据安全等，因此端侧的推理则愈发重要。
在这样的背景下，网易有道AI团队自主设计研发了高性能端侧机器学习计算库——EMLL(Edge ML Library)，并已在近日开源。
EMLL 为加速端侧 AI 推理而设计，提供基于端侧处理器的高性能机器学习计算库，支持fp32、fp16、int8等数据类型，已在网易有道词典笔、翻译王和超级词典等智能硬件产品的 NMT、ASR、OCR 引擎中应用，大幅提高计算性能，提升用户体验。
开源地址：https://github.com/netease-youdao/EMLL
作者/ 韩虹莹
编辑/ Ein
从人和信息的博弈谈推荐系统缘起
首先谈谈我理解的推荐系统。
如果说推荐系统的定义是什么，每本书每篇文章说的都不太一样，协同过滤1992年就已经有了，三十年里无数大佬分析了个性化推荐的缘起和意义，世界已经不需要多一个人的见解。但是，当所有人都说一件事情是正确的时候，我们也要想清楚它为什么是正确的。
如果你问我推荐系统是什么，我会告诉你，是信息到人的精准分发。那么为什么在这个时代推荐系统才应运而生？古人不会需要信息精准分发，车马信息都很慢，古人学富五车不过现在一个书包的信息量；唯有现在人才需要信息精准分发，信息太多时间太少，乱花渐欲迷人眼，所以我们需要一个智能的系统，帮助你过来过滤信息，所以推荐系统是人和信息的桥梁。
当然，正如罗马不是一天建成的一样，在互联网上搭个桥也是要演进的，最开始是个小木桥——门户网站，用分类导航分发了信息；后来演化到了石板桥——搜索引擎，人可以更精准的找信息；逐步的信息太多了，要变成信息找人，在这个过程中，无论是信息的消费者，还是信息的生产者，都遇到了不曾预见的困难，信息消费者找不到信息了，信息生产者无法让自己的信息展现在消费者眼前，有痛点就有需求，有需求就有产品，于是推荐系统作为一个产品，恰到好处又必然的到来。凯文凯利在《必然》里，把这个趋势称为“过滤”：
进行过滤是必然的，因为我们在不停地制造新东西。而在我们将要制造的新东西中，首要的一点就是创造新的方式来过滤信息和个性化定制，以突显我们之间的差异。
人如何和信息相处，推荐系统既不是起点，恐怕也不会是终局，但它已经是当前人们对于处理信息所能做的最好的实践了。
背景篇
NLPCC的全称为“CCF国际自然语言处理与中文计算会议”，英文为“Natural Language Processing and Chinese Computing”，是中国首个NLP领域的国际会议，由中国计算机学会（CCF）主办，至今已经举办了七届。在今年的竞赛单元中，首次增加了中文语法错误修正任务（Shared Task 2: Grammatical Error Correction）。该项任务的目标是：检测并修正由非中文母语者书写的中文句子中的语法错误[1]。可以认为该项任务的输入是一句可能含有语法错误的中文句子，输出是一句经过修正后的中文句子。作为一个比赛任务，这个工作更关注算法的效果，即结果的正确性，而不太考虑处理速度、资源占用等应用落地的问题。
数据篇
比赛方要求参赛者主要使用主办方提供的数据进行模型算法的训练和调试，在比赛截止前一周发布测试集原文，参赛者使用算法生成指定格式的自动批改结果以后提交结果。 主办方给出的训练数据来源于一个语言学习网站，该网站提供了一个开放平台让对应语言的母语者可以自由地对平台上语言学习者写的作文进行语法修正。训练数据共有71万条记录，每一条记录包含一个可能含有语法错误的句子和零到多句对应句子修正结果。如果是零句修正结果，则可以认为这句话是不需要修正的；如果是多句修正结果，可以认为有多种修改方法。 在一个传统的自然语言处理任务中，训练数据的收集和清洗往往会占到整个策略工作的50%甚至70%的时间，数据预处理的策略也会对后续算法的选择和效果有非常大的影响。通过对训练语料的分析，我们最终使用的策略是：将训练语料中每条记录拆成多个错误到正确的语句对，如果某条记录没有修正结果，则生成一个正确到正确的语句对。经过上述处理后，我们最终获得了122万条训练语料，并且将其中的3000句预留作为调试用的开发集，不参与到训练当中。原始训练数据的对应修正结果分布及样例分别如图表 1和图表 2所示。
David
特殊字符的转义（escaping）对于网页安全和用户体验至关重要，由于在 HTML 的不同位置，需要对不同的字符进行不同的转义，各种框架/脚本语言提供了若干个不同的函数，但是，这里要介绍的是 Go 的自带 Web 框架，它能够识别 HTML，自动的选择转义含糊进行正确的转义。
Go 语言是 Google 发起的开源项目，现在已经有大量的外部人员参与到开发当中，其中不乏中国的程序员。由于是一门新兴的语言，因此设计不少之前编程语言的经验与教训。为了适应当前开发的需要，Go 自带了 Web 框架：template。
template 的一个最大的特点就是会解析模板中的 HTML 语法，从而知道所要替换的变量在网页中的位置，从而正确的进行转义，下面看一段例子程序（边边角角省掉了，template 需使用 “html/template”）：
t, _ := template.New("foo").Parse(
`<a title="{{.}}" href="http://example.com/{{.}}/hello?q={{.}}">{{.}}</a>` +
`<script>var s = '#Hello? I\x27m David='</script>`)
t.ExecuteTemplate(os.Stdout, "foo", "#Hello? I'm David=")
上一页