跟老公说话他一直都是误会我的意思是代沟吗?越想说清楚就越说不清楚，然後呢俩人也都是比较强势，都不_百度知道
跟老公说话他一直都是误会我的意思是代沟吗?越想说清楚就越说不清楚，然後呢俩人也都是比较强势，都不
意低头，咋办啊？担心会伤害对方的感情！
我有更好的答案
说明他心思比较重，老是把你的意思想偏了，这种事情，怎么说的，你应该找个时间，两个人心平气和的沟通一下，心里有什么怨恨，有什么误解，大家敞开心扉的说出来。至于以后怎么相处，你们也好好的谈谈，两个人重在沟通
采纳率：82%
为您推荐：
其他类似问题
代沟的相关知识
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。跟老公总是沟通不畅，他总听不懂我说话的意思，误解我说话的意思，是没有文化程度的原因还是头脑迟钝的问_百度知道
跟老公总是沟通不畅，他总听不懂我说话的意思，误解我说话的意思，是没有文化程度的原因还是头脑迟钝的问
跟老公总是沟通不畅，他总听不懂我说话的意思，误解我说话的意思，是没有文化程度的原因还是头脑迟钝的问题？
我有更好的答案
你文凭高功底深厚，说起话来就像教授。他当然听不懂啦
采纳率：50%
你若想过的幸福你就迁就他喽……他的水平低于你你又不迁就他肯定没有幸福可言……
那是挑刺儿
说的慢点，清晰点就好
迟钝的问题可能
其他10条回答
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。十年攻城狮----我眼中的IT行业
上世纪90年代，在那个互联网兴起的年代，搞IT，特别是软件编程，网页设计，还有后来的FLASH等动漫设计，给人的是一种高大上的感觉，不是说行业多牛逼，而是工资确实是高，在我这个外行人看来，这一种在中国算是新兴的行业，充满了神秘感，觉得这才是未来的高科技行业，所以当年读书时就涌起了以后工作就要搞编程，觉得这是一个朝九晚五，对着屏幕打打字，写写代码，就能够拿高薪，放假就可以去旅游的工作。要知道当时随便搞台现在看来已经是古董的电脑都要万元。说起哪个同学家里有台电脑，那个自豪感比现在哪个同学买了新车还要高不少。随着WIN95的发布，WIN98的一统浆糊，随着第一个OICQ号码的申请，慢慢的毕业后就固执的走了这么一条路子。当拿着软件攻城狮的证书，想要去展示才华时，却发现，互联网那个七彩的泡沫在阳光下消失了，当年网页改个字都算钱的年代说过去就过去了，随便会写写代码就7、8K的年代也忽然间没了，就连OICQ打了几次仗后都变成了QQ，这时才发现，原来这就是IT，更新换代快得在你眨个眼的时间就过去了。还在津津乐道当年罗马复兴、红色警戒的时候，却蓦然发现，现在已经流行起魔兽了，当属于我的雷神之锤的余热还在心头，大街小巷已经响起了CS的枪声。意气风发忽然间就变成了对未来的迷惘，充满了恐惧，这就是我想要的东西吗？没办法了，像本狮子这种新三无人员（无爹拼，无背景，无资金）的社会主义接班人，只能是硬着头皮走进这个当年充满了向往的IT行业。闲话就不说太多了，先说说在这个行业10几年的一些经验或者是经历吧，有些确实不是什么经验，只不过多吃了几年饭，可能还不比不上新进几年的师弟师妹们理解透彻。说什么好呢？那先说一下这10几年的薪资变化吧，可能大家对这个很感兴趣，不过可能令大家失望了，因为比起天涯上我的朋友、我的同学之类的低不少，拖了社会主义建设的后腿。也进不了那些在天涯响当当的大企业，可能是我能力有限吧。但我只能在我所处的阶层开始爬了，至于能爬多高，虽知道呢。本狮子当年确实老实人一枚，一步步走过来，没有运气，没有贵人相助，没有意外之财，总之一切意外一切机遇都与我无关，有的只是一步一个脚印，可能注定不能有所作为了，太过按部就班，太过依赖于父母的教导，穷人的文化总是会传承的，就好像富人的文化会传承一样。有时候确实是这样，一个人的出身，可能会约束了你的行为，从而限制了你的思维，紧跟着就是眼界不够开阔，到最后导致的就是社会上所有的机遇，你都没有胆量去尝试，一切对你来说都是陷阱，还是按部就班，这样安全，但是却不知道这才是温水煮青蛙的开始。所以说富人战胜法律，穷人却败给道德，穷确实是有根源的。孰是孰非，我也不清楚了。不过有一点可以肯定的，有钱与否，与你是否觉得幸福无关。
好了言归正传，第一份工作，试用期三个月，工资1.5K。广东二线城市。工资应该是很低了。时间21世纪刚开始没多久。当时的感觉就是，刚好够花，试用期三个月基本全部花光，前提是公司提供了宿舍，还包了一半的电费。周末还可以和同学吃吃喝喝，唱唱K，当时钱确实见花。转正之后，因为刚毕业，怕人家不要，心里没底，没怎么谈，招我的领导说加到2.5K。就这样签了3年合同，至于当年是怎样开始这个写代码的生活就差不多忘记了，只记得几个同住宿舍要好的同事，每周都轮流做东，出去吃一顿好的大餐，然后去超市买一大堆饮料，饼干，只记得只要给200块钱，超市的小车子基本上装满。天啊，那是一个怎样的年代。由于公司是每年都谈加薪的，由于去年业绩不好，没谈，我不知道别人有没有谈，公司这一年也走了不少人，后来我才明白行业流动性，根本原因是工资低。但是我本着自己是新人的原则，先做事，反正还年轻，只要是不太过刻薄，我还是能够理解公司的做法。和现在我招的新人相比，我都当时不知道会有这样的想法。鄙视一下自己，有时候应该对自己有点信心，因为当时对自己确实没什么信心，其实，到了今天很多事情才恍然大悟，也许是经历过了才能够更好理解这个社会。这个慢慢再说吧。2年合同之后，由于第一年没有谈工资，第2年满了之后，领导直接跟我说，加到3.7K左右，反正不到4K。当时，觉得自己出去也难找工作，也答应了。第三年满了之后要续约了，公司给我开的资薪是4.3K左右吧。总之，这三年就这么糊里糊涂的过去了，一个人赚一个人花。也没什么职业规划，如果重新来过，我想对新人说，真的需要做好你自己的人生规划，不是职业规划，是彻底做好人生规划，当然，好多人是很早就领悟了，我是一个后知后觉的人，领悟什么东西都很慢，但我只能是慢慢的去做，慢慢去领悟。
7年程序员,脚印.
.。。。原来是新帖
三年合同期满，和公司续约2年，这个在IT行业估计很少见了，在一家软件公司做这么多年，有些比我早进公司的同事，当时世道好，听说很多都5K以上工资了，就算是早进一年，有些比我后进一年的，也敢和公司要5K，要不就辞职走人，当时5K，确实是一个不错的价格了。当然不要用2012年之后的价格来比。当然，有人达到要求，有人确实是走人了。而我还是默默接受，默默工作。慢慢从一个程序员，到项目负责人，从写代码，到见客户，搞需求，写分析，开演示会议，慢慢的这几年我都走过来了，基本上除了招标文件，一个项目的流程我算是走过了一遍，也是最辛苦的一遍。我不知道那些拿着高薪，或者到其他公司拿着高薪的前同事发展怎么样，只是有时候吃饭的时候听到说，谁谁不做这个行业了，要转行了，然后过几年身边不少同事也转行了。而我还是默默在做，做到这个软件行业的每一个细节，包括拿着标书去招标，还做了很少涉及的监理。到了在这家公司的第7个年头，我才发现，我好像长大了，真的，这种感觉是从来没有过的舒畅，因为整个软件项目工程的所有工作，我都做过了一遍，和客户接触多了，见识也多了，思维也开始活跃了。7年之痒，合同到期后，又是续约。这次我从5.3K，直接要价7k。但是一些所谓的领导觉得，加10%已经很高了，经济开始不景气，公司业绩又不好。总之就是不可能到7K了。不到就算了，反正我不是爱争辩的人，就这样先签了合同5.8K。然后投了一份简历到广州的一个同学所在的公司，因为他们招聘现场维护高级工程师，打听了口风，开8K没问题。于是就去面试了，港企，从面试开始就明显感觉到外企（台企不算，这个有机会说说）对人的尊重，带薪年假（10天起算，就算国家规定5天，很多公司都改了，但是他们还是按照自己一套福利）。这个确实是之前这家公司没得比的（是沪企，在广东的分公司规模还可以）。由于福利太好了，又担心开8k谈不下去，于是在工资一栏填写了7.5K。可能我太过小心了。最后人事经理问我7K行不行，我已经降了，所以就咬定7.5k。一个高工，7.5K，在广州不知道什么概念，人事经理只是循例问问，就说可以了，当然我心里还是怕她觉得我开高价了。就这样，敲定了一份7.5K的工作，回去旧公司递交了辞职信。当然我也很感恩公司这6、7年给我的工作机会，没有这几年的磨练和经历，也不可能有其他公司看上你，因为人家看上你的就是你的工作经验。但是做了7年才6K不到，这也是我走的最终原因，如果当时他开7K给我，可能外面8K我都不会去，毕竟人是有感情的。
在新公司开始了第一年的维护工作，一年之后，该项目没了。不能在现场，需要回广州上班了。第二年，公司加工资，接近8K了。然后第三年再加工资大概接近8.5K吧。港企文化就是每年会加6%左右的工资，让员工抵御通货膨胀，但是，如果是8年前，这很好了，但是2010年之后，这种加幅对于我们的通货膨胀率来说，真的不足够，但是公司福利好，人员还算稳定吧，除了做了2年的程序员对工资不满意流动大，一般级别高的都很少流动。离开这家公司除了是工资很难往上涨之外，还有就是职位也很难往上升，就算是平移也不容易，因为太稳定了，早到的人已经占位了。还有一点就是社会太浮躁了，外面房价和物价的升幅，基本上把我工作差不多10年的工资涨幅给抹平了。这段时间物联网开始火了起来，有一家物流公司说和政府合作搞物联网之类的，当然主要是做项目给自家用。我开价12K。就这样工作10年，终于过万了。我还记得当年刚工作时的QQ签名：高辛工作，月入过慢。在最近这2年，很多小企业，创业型企业找我做项目经理，技术总监之类的工作，职位名字倒是吓人，谈的时候说得好像明天自己就是下一个淘宝，下一个腾讯，资金后台有多牛B，但是一谈到工资待遇，听到超过10K都面有难色。就算有些后来实在找不到人的，给我来电说，这次肯定过万了，我也只是笑笑，没理他了。心态忽然平和好多。现在也离开当时给我过万工资的企业了。休息一段时间后，还是在软件行业做技术经理，管理一个技术部门，手下几个项目经理，月薪15k。工资高吗？不算高，不算很低，反正不是很忙，我能够接受，因为，现在确实不能够每晚都加班了，超过10点半需要睡觉了，工资以后可能还会高，但是身体没了就没了，人活着并不是为了工资。
自言自语的说了这么多，竟然有两个广告，记得05、06年之前的帖子不到10层楼，估计广告都不屑一顾。有一段时间，广告是检验帖子的唯一标准，扯远了，看来生意确实不好做啊，谢谢以上几位朋友的光顾了。
我不知道还能坚持多久，所以有空就写写代码，或者想想项目，当然，都是为自己写的，因为10年过去了，我终于明白了什么是人生规划。就算企业开20K给你，可能身体上也是吃不消的。先想好以后的路怎样走下去，等待机会吧，虽然我一直缺少运气，估计也不会等到贵人相助，只能自救了，或者下一个10年再回首的时候，我现在的手下都转行了，希望我还在坚持吧。可能到时候值钱的并不是我做了多少年，写了多少代码，有多少行业的软件项目经验，而是我经历了20年IT行业发展历程，看遍了各种兴衰。20年可能很短，但是对于IT行业来说，可能就真的算得上是一个历史了。给自己一个目标，如果10年后还在这个行业，到时候再来吹吹牛皮。接下来说说这些年本狮子对这个行业的一些看法吧，算是自己的一些体会。接触过好多创业型的老总，都是头脑发热，想赚快钱，以为搞软件，搞平台，搞运营很赚钱，然后一头钻进去，然后很多都是亏得一塌糊涂。然后就销声匿迹，然后继续又有一批后起之秀崛起，做移动互联网，做手机APP，物联网，不亦乐乎。就这样热点过去一个又一个，时代不停更新换代，可能不变的就是此时此刻的心情吧。IT虽然说是产生奇迹的地方，除非有新的模式，新的技术，否则想在里面分一杯羹，其实也和其他行业差不多，可能比其他行业机会还要小，因为这个本身就是一个很烧钱的行业。看看滴滴和快滴为了抢占市场数以亿计地烧。不过就算有大财团持续给你烧钱，成功也并不是一定的，因为抢占用户这东西，不是说烧钱就可以了，很多东西大家用习惯了，除非有利可图，否则谁都不会不用QQ跑去用其他即时通讯软件。但是你总不能烧钱吧，当你一停止烧钱，用户可能马上就负增长了。接下来就乱吹一通吧，有人看再决定说些什么，不知道是否有人想了解软件这个行业的吗，这里除了加班，除了没MM，其实还有很多梦想的。
我写程序有三年多了，人比较浮躁，感觉写程序发不了财，现在一边写程序一边搞实体生意，等生意稳定了就转行，看到你做了这么年，很是佩服，坚持也许也能成功，但是很多人更喜欢走捷径
楼主应该是安分且容易满足的人，IT就是要跳槽，往大企业跳
我写程序有三年多了，人比较浮躁，感觉写程序发不了财，现在一边写程序一边搞实体生意，等生意稳定了就转行，看到你做了这么年，很是佩服，坚持也许也能成功，但是很多人更喜欢走捷径===========================================================================浮躁确实不适合做程序。写程序不能发财，所以还是需要自己找出路，在公司我不写程序了，但是下班我还是会写，把自己的想法、觉得有机会的一些软件构思，写出来，看是不是一条出路吧，实体确实也难，这么多年，实体，我已经回不去了，再也回不去了，现在只能是向马云同志学习了。
楼主应该是安分且容易满足的人，IT就是要跳槽，往大企业跳=====================================================================愿闻其详，我也想不停的跳，先把头衔搞大一点，把工资平台再提高一点，希望有一天会能跳出个百万年薪。不过如何实现，是否需要贵人相助？心里没底，在这里抛砖引玉了，如果有老狮子走过这条路，希望指点指点。
很多老板上网见到别人运营的项目或者网站都有的功能，他以为很容易就可以拿过来实现，然后依瓢画葫芦，到最后整个项目延期，或者失败了，才发现原来这样不行，还是需要请个懂的人回来协助管理，这还是算清醒的，有些死不认错的，只认为是大家做得不好，到最后只能是把自己做死，公司关门了事。我遇到过一个老总，都是其他行业赚了好多钱，开分公司，搞软件，搞运营。招10个攻城狮，两个个项目经理就开干。前期半年投资50多万，其他费用不清楚不说，单单说软件项目的投资，时间到，结果项目经理还是拿不出能够运行的项目出来。他马上就跳起来，老子都投那么多钱了，竟然泡都不冒一个，确实，软件行业就是这样，不得道，不要说泡，屁可能都没一个。一个软件不是你看见别人那样做可以赚钱，自己按照葫芦画瓢，山寨一个就可以的，有些行业业务的处理，精细到数据库的设计、程序架构的设计、导致你事务的处理等等都需要对该行业的了解，就算你画一个淘宝出来，可能一运行，每隔几天页面都可能会不定时的报错，安全性先不说，单单是保证每个页面，每个按钮点击都不报错，这已经很了不起了，这并不是你请10几个人就能够搞掂的。除了程序设计，测试也是一个过不去的坎。很多年轻的项目经理，一看业务逻辑，拍着胸口说，3个月基本搞定。基本搞定？那是搞定还是搞不定？我记得刚出来搞需求的时候，公司严格要求，不要和客户说基本这个字眼，能做好就说能做好，不够时间做好就说不行，需要多长时间等等。基本这个词基本上是等于搞不定。所以很多老总放了几十万前期，时间一到，问项目负责人，负责人就说，当初想不到这个业务逻辑的复杂性，没想到里面还有这么多系需要考虑，设计还需要修改一下，可能还需要3个月。天啊，如果你是老总，听到这样的话，你怎么想？以前刚开始说的软件工程就好像是建一栋大楼，需要规划，需要设计，需要打好基础（软件架构、数据库设计等）。就算后期修改了，最起码不能够动最根本的东西（地基打好了，不是说想盖多少层就盖多少层的）。但是到今天，发现软件工程就好像是园林设计，需要不停的修剪，当你剪出一匹马，客户可能会说，原来我想要的是一只牛，你只能再次修剪，当牛快要成型了，开完会，客户说，还是改成羊吧。到最后实在剪不下去了，客户可能说，那就先修剪成一只鸭吧。吐血了吧?刚开始以为编程序很困难，到后来发现做设计才是重点，接触客户了，才发现原来需求才是一道坎，正所谓：为系统而生，为框架而死，为bug奋斗一辈子！ 下联：吃符号的亏，上大小写的当，最后死在需求上。
当攻城狮们日夜加班，终于完成所有功能，拿给客户一看。客户大骂，这根本不是我想要的！ 攻城狮只能是大骂做设计的：我们这么辛苦，你是怎么设计的，做出来了，才说不是这样，设计要修改？ 做设计的只能大骂做需求调研的：妈的，什么烂需求，我当时可是按照你的需求说明书去设计，明明是这样子的。最后做需求的只能是骂销售了：这能怪我吗？当时做需求的时候已经说好的，那销售为了签合同，竟然额外答应客户这么要求，这个我怎么解决？ 销售业在那里大骂：老子起早贪黑，喝得胃出血，才能把合同拿下，你们这班整天坐在空调房间的高材生竟然一点都不体谅，竟然拿出这么烂的系统给客户。怎么做事情的，不就答应客户加多点功能而已，这都搞不定。我要是签不到合同，大家都喝西北风。一个循环下来，谁都有难处，谁都有道理。如果领导是外行的，不是干软件工程出身的，那么他就不了解这个行业的特性，有些领导知道自己不熟悉，就会给熟悉的人处理，如果遇上啥事都要管的领导，而又不能够公平处事的，那么大家都自求多福吧，因为他一管，肯定带上自己的角度去看问题，不知道怎样打破这个循环，不知道从哪里入手才能正式解决问题。最后的结果最差的是，项目不做，解散团队。比较差的是找另外项目继续做下去，如果领导有点实力的，只能是出面摆平客户了，项目延期继续搞下去。 这种情况，估计做了多年的老狮子深有体会了。如何带好一个团队？如何让大家都理解别人的难处？如何处理好出现的问题？都是很多搞软件老板面对的问题，所以总是有技术经理、技术总监、部门经理等等很多听起来不一样，其实工作内容差不多的职位，总的来说，就是需要你管理好整个部门的技术架构，分配好项目经理干活，处理好各种可能出现的问题等等。
处理客户团队问题、客户问题，领导可能还会站在你的角度考虑，或者帮你出面摆平。但是如果老总有问题，那可真是考验你的智商、情商了。之前的老总要做一个类似百度文库之类的系统，搞好了，他觉得自动生成方面有点慢，也不象百度那样好用，有些文档格式也不能自动转换，他就打开百度文库，指着说，我就要你们做成这样子，不用自己想，照抄就是。为什么不行呢？天啊，这可怎么解释，需要老总明白我们投入的人力、资金远远不能和百度相提并论，公司的服务器运行的速度和百度能比吗？人家投入多少人力资源去做一个文库，况且百度每天还投入多少资金去维护，投入多少人员在后台做前期准备工作包括资料的收集、格式的转换等。 当然以上我是明白，但是老总不明白，他以为点一下按钮就可以实现的东西为什么做起来就这么复杂。只能是用最平和的语言，最容易理解的例子去让他明白。如果实在是不讲理的领导，只能尽人事了，听天命。举例子、打比喻，说就容易，能把人说明白就不容易。没做程序员之前以为数学要牛B才行，现在看来一个优秀的软件攻城狮，需要好的文学功底和演讲技巧，当然好的逻辑是必需的。
信息化不是自动化。这个是很多客户，甚至是程序员有时都搞不清的。
不错，写的很好曾经也是个码农
真冷清，看来月薪没有几十k，是不能在经坛混啊。大家来都是想赚快钱，这种十几年磨一剑，一步一脚印的做法是否有点落后呢。有时我都在反省。
10年前说信息化系统，现在都开始说移动互联网了，感觉还是很多客户不知道啥事信息化，特别是一些国企的和政府的人员，跟他们打了10年交道，但是不要以为私企的就很好，私企的一些人素质更低，有时候可能连电脑都不一定会弄，这个确实是这个社会的现象。有时候和他们打交道，更加不讲道理，这个只是一定比例，当然也有很牛逼的人在私企混得很不错。又扯远了。言归正传，当年，甚至是现在，说到信息化，大部分客户以为就是用电脑办公，并且工作量还不能比我拿笔和纸的时候要多，最极端的，见过一个客户对我说：不是按一下按钮就可以把工作做好了吗？要输入这么多数据？你们收了几百万项目款，就不能一个按钮给我搞定？还要我打字？我哪会打字，唉，天啊，这就是做软件工程的悲哀。如果客户电脑不能开机，不能上网，反正啥不行，他们都会叫你过去，然后说：什么，你们不是修电脑的吗？难道你们连些简单的东西都搞不定吧？简直是目瞪口呆。
信息化不是自动化，信息化系统不一定能够减轻每个人的工作量，有些客户觉得，当年我拿个笔对着本子打钩，比在电脑上输入快多了，一些窗口申请书的填写，申请方填完，还需要我们录入电脑多麻烦，以前盖个章留个底就可以了，电脑就不能够点个按钮把这些东西都完成？这是很多在开始信息化过程中遇到的一些问题。问题虽然很小，但是也能够看出很多人对信息化的一些误解，以为上电脑了，喝茶的时间就多了。电脑其实没那么智能化和自动化，那么我们为什么还需要行业软件呢？试想一下，如果你每天在本子打钩，虽然很快，如果我让你找出10年前、8年前、6年前某个月，或者某日的记录，你是否需要翻箱倒柜的找你的本子呢？如果需要把某些记录形成报表给某些人查看，你是否需要日夜加班找好文件去搞报表呢？如果很多东西只是留个纸质文件底，不录入电脑，那么要查找某年某月某日某人是否申请过，那么估计你需要在档案室里面呆上一天，如果找一个人还好，如果上面需要你找100个，1000个人的资料，这时候你就会想，如果可以输入名字点击按钮就出来，那多好啊。这么说，估计大家都能够明白什么是信息化了吧，为什么做软件绕不开数据库，因为数据库才是核心，软件只是把你日常的办公流程放电脑上，最终目的是更好的收集数据，以达到数据共享，查看、统计、归档、历史统计等等以前需要大量人员完成的工作。所以办公软件，行业软件可能并不够智能，但是在收集好数据后，确实能带来实实在在的信息，这些信息可能对录入的人没有任何用处，也会增加某些数据收集人的工作量，但是却对整个企业，单位、团体的后续发展和工作分析带来好处。所以就不难理解，为什么领导对企业、单位上信息化系统一般都支持，这个是因为他们确实看到大信息量数据带来分析的好处，也可以使他们对整个企业的数据分析，后续的发展规划带来数据支持。确实，如果你是最前线的数据录入人员，可能觉得这种信息化系统没啥好处，只能使你工作量增加了，因为你根本体会不到，后期做报表人员的辛苦，体会不到老板经常看到错误统计数据的苦恼。
大家还在看&figure&&img src=&https://pic3.zhimg.com/v2-b96b80b37d1d20faf5a36_b.jpg& data-rawwidth=&784& data-rawheight=&436& class=&origin_image zh-lightbox-thumb& width=&784& data-original=&https://pic3.zhimg.com/v2-b96b80b37d1d20faf5a36_r.jpg&&&/figure&&p&今天来讲讲推送这件小事，事虽小，要做好却不容易。&/p&&blockquote&&p&推送难，难于上青天。&/p&&/blockquote&&p&我们在讨论 Android 手机上的推送时，大多数情况是在说集成第三方推送，因为即使是像微信这样的大厂，也需要厂商加到启动白名单里才能保持在线。&/p&&p&iOS 手机使用 &b&APNs（&/b&Apple Push Notification service）进行推送，而 Android 手机，也是有 &b&GCM&/b&（Google Cloud Messaging）作为 Google 官方的推送支持的，但是在国内需要翻墙才能使用，并且需要手机安装了 Google Service ，条件比较苛刻。&/p&&p&这样一来，国产手机的推送就成了个问题，也带了机会。&/p&&p&微信由于有国际版，将 GCM 作为辅助公共通道，但仅用于激活微信自己的 Push 通道，并没有通过 GCM 来传递数据，这点也是为了复用心跳的优化策略和数据处理逻辑。&/p&&p&GCM 最新版本叫 &b&FCM&/b&（Firebase Cloud Messaging）&/p&&h3&&b&推送的实现方式&/b&&/h3&&p&总结一下几种推送实现方式，其中有些我们只要了解即可，因为属于历史解决方案，现在已经被废弃掉了。&/p&&p&&strong&1. 轮询&/strong&&/p&&p&客户端定期询问服务器有没有新的消息，这种方式最大的缺点就是&strong&性能&/strong&和&strong&实时性&/strong&的矛盾，轮询时间过长和过短都不好。&/p&&p&&strong&2. 短信&/strong&&/p&&p&这种方式还没出生就不被允许了，首先运营商不会配合，其次拦截手机短信本身就是一个高危权限，大多数用户不会买单。&/p&&p&&strong&3. 长连&/strong&&/p&&p&目前最通用的方案，客户端与服务端建立 TCP 长连，定时发送心跳包保活，有新消息时服务端通过该长连通道进行推送。&/p&&p&这里再简单说明一下长连和心跳包。&/p&&p&&strong&长连接&/strong&就是建立连接之后，双方互相发送数据,，发完了也不主动断开连接。&/p&&p&但是在某些情况下长连会断开，问题就在断开这件事上，而且这件事必须是由客户端知道，因为客户端是可以重连服务器的，服务器却没法再联系上客户端。这样才确定了&strong&心跳包&/strong&必须由客户端发给服务器。所以心跳包的作用就是告诉服务端客户端还活着，如果服务端挂了，客户端能知道，所以&strong&保活&/strong&说的是保持两边都活着。&/p&&p&上面说的某些情况中， &strong&NAT 超时&/strong&算是一个典型的例子。&/p&&p&因为 IPv4 的 IP 量有限，运营商分配给手机终端的 IP 是运营商内网的 IP，手机要连接 Internet ，就需要通过运营商的网关做一个网络地址转换（Network Address Translation，NAT）。简单的说运营商的网关需要维护一个外网 IP、端口到内网 IP、端口的对应关系，以确保内网的手机可以跟 Internet 的服务器通讯。大部分移动无线网络运营商都在链路一段时间没有数据通讯时，会淘汰 NAT 表中的对应项，造成链路中断。所以长连接心跳间隔必须要&strong&小于&/strong& NAT 超时时间（aging-time），如果超过老化时间不做心跳， TCP 长连接链路就会中断，服务器就无法发消息给客户端，只能等到客户端下次心跳失败后，重建连接才能取到消息。&/p&&p&有了长连，即使在休眠模式下，有推送消息过来，也能唤醒 Android 系统，这是由系统机制决定的，我们这里只要知道结论就好。&/p&&p&想要了解更多的可以去看文末的&b&参考资料&/b&。&/p&&h3&&b&推送的指标&/b&&/h3&&p&在接入推送服务时有几个核心指标需要考量：&/p&&p&&strong&1. 在线率&/strong&&/p&&p&在线率 = 在线用户数 / 总用户数&/p&&p&推送服务后台保持在线的方法&/p&&ul&&li&Push 进程常驻后台，需要用户手动让应用常驻&/li&&li&共享连接通道的方式，比如极光或者个推，通过共享连接，当应用有推送到达时，唤起该应用&/li&&/ul&&p&显然，后者在体验上更加接近 GCM 。&/p&&p&&strong&2. 到达率&/strong&&/p&&p&到达率 = 实际到达数 / 目标用户数&/p&&p&在线数 -& 目标用户数 -& 成功下发数，如果后端的计算或调用出现问题这两个数据就会不准确&/p&&p&在线数 -& 实际到达数 -& 展示数，数据收到后，是否展示要看用户有没有打开该应用的允许通知的开关，可以通过如下方法判断&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&notificationManagerCompat.areNotificationsEnabled();
&/code&&/pre&&/div&&p&&strong&3. 耗电量&/strong&&/p&&p&耗电量受到很多方面的影响，如果收到推送比较多，打开应用比较频繁，耗电量自然也会上去不少，但这个用户是可以接受的。以下几个耗电量的因素用户是比较反感的：&/p&&ul&&li&应用间互相唤醒产生的耗电，因为这个耗电是别的应用的，用户本来没有意图要去打开&/li&&li&错误重试造成的耗电，重试策略的优化包括重试时间的累加和重置&/li&&/ul&&h3&&b&推送选型&/b&&/h3&&p&上面提到，我们这里聊的推送，是&strong&第三方推送&/strong&，那有开发者要问了，为什么不自己做推送？自己做不是不行，但需要考虑几个问题：&/p&&ul&&li&开发成本问题， ROI 是否可以接受&/li&&li&如果不加入白名单，那么一旦应用被彻底杀掉，是没人给你吟唱复活魔法（&strong&互相唤起&/strong&）的&/li&&/ul&&p&第三方推送主要有厂商推送和非厂商推送&/p&&ul&&li&华为、小米、魅族推送&/li&&li&个推、极光、友盟&/li&&li&阿里、腾讯、百度&/li&&/ul&&p&其中，选型的几个因素&/p&&ul&&li&厂商推送&strong&通知&/strong&是否系统通道（所有厂商支持）&/li&&li&厂商推送&strong&透传&/strong&是否系统通道（仅魅族）&/li&&li&非厂商推送的市场占有率（影响共享连接&strong&互相唤起&/strong&的概率）&/li&&/ul&&p&如何在 Android 手机中查看某个应用使用的是什么推送？&/p&&div class=&highlight&&&pre&&code class=&language-text&&&span&&/span&adb shell dumpsys activity services | grep igexin
&/code&&/pre&&/div&&figure&&img src=&https://pic1.zhimg.com/v2-a658c8ae5f28dac28cb4_b.jpg& data-rawwidth=&1332& data-rawheight=&686& class=&origin_image zh-lightbox-thumb& width=&1332& data-original=&https://pic1.zhimg.com/v2-a658c8ae5f28dac28cb4_r.jpg&&&/figure&&p&可以看到，这几个应用都在使用个推&/p&&p&大众点评、宝宝树、饿了么、滴滴、简书、领英、 WPS Office 、格瓦拉。&/p&&h3&&b&推送接入&/b&&/h3&&p&&b&如何解耦&/b&&/p&&p&由于各个推送 sdk 接口定义不同，为了减少耦合，我们采用多 &strong&module&/strong& 的形式进行接入。&/p&&ul&&li&app&/li&&li&jikepush&ul&&li&PushServiceImpl&/li&&/ul&&/li&&li&push_厂商1&ul&&li&PushPlatformImpl&/li&&/ul&&/li&&li&push_厂商2&ul&&li&PushPlatformImpl&/li&&/ul&&/li&&li&push_非厂商&ul&&li&PushPlatformImpl&/li&&/ul&&/li&&li&jikecore&ul&&li&PushService&/li&&li&PushPlatform&/li&&/ul&&/li&&/ul&&p&在 app 层通过注册的方式添加需要的 &strong&PushPlatform&/strong& ，之后通过 &strong&PushService&/strong& 接口来进行调用，具体的启动和切换的实现放在 PushServiceImpl 。&/p&&p&其实大部分推送平台的接口标准都差不多，无非是命名上有差异，所以我们用 PushPlatform 这个接口来屏蔽这种差异。&/p&&p&对于推送启动和切换的操作，放在 PushService 中。&/p&&p&当启动某一个推送服务的时候，就关掉其他的推送服务，后台始终只保持一个推送服务。&/p&&p&&b&registeration id&/b&&/p&&p&通常我们启动一个推送服务后，会收到一个 registeration id（以下简称 reg id），用这个 reg id 和我们自己的服务器进行绑定。&/p&&p&这里有个需要注意的地方，绑定的操作我们需要调用2次。&/p&&ul&&li&after PushService.start() 因为已经接收到 reg id 后&strong&有些推送不再触发&/strong& receive reg id&/li&&li&after receive reg id &strong&首次&/strong&启动推送是&strong&异步&/strong&收到 reg id 的&/li&&/ul&&p&收到 reg id 之后，&strong&推送 sdk&/strong& 会自己保存下来以便下次使用，但有时候我们使用 sdk 的方法获取的时候无法获取到，究其原因是 reg id 的保存不是我们自己做的，因此， reg id 这么重要的东西我们自己也要存。&/p&&p&&b&推送需要的系统权限&/b&&/p&&p&推送 sdk 需要获取手机的 imei 号作为合成 reg id 的必要元素，需要以下两个权限&/p&&ul&&li&Manifest.permission.READ_PHONE_STATE &/li&&li&Manifest.permission.WRITE_EXTERNAL_STORAGE&/li&&/ul&&p&启动推送服务的时候需要判断权限。&/p&&p&&b&推送的切换策略&/b&&/p&&p&建议选择手机 &strong&rom&/strong& 而非手机型号作为切换条件，这样可以解决部分用户刷机的问题，比如 Nexus 手机刷了个 MIUI 的情况。&/p&&p&获取到 rom 信息后，有3种推送切换策略&/p&&p&&i&策略一&/i&&/p&&p&客户端根据 rom 信息自动选择使用哪个推送&/p&&ul&&li&优点：无后端工作量，不需要切换&/li&&li&缺点：一旦某个推送挂了一天，无法临时切换到其他推送&/li&&/ul&&p&&i&策略二&/i&&/p&&p&客户端上报 rom 信息，后端选择使用哪个推送&/p&&ul&&li&优点：灵活切换推送&/li&&li&缺点：切换推送重新绑定 reg id 有个时间差&/li&&/ul&&p&&i&策略三&/i&&/p&&p&使用推送 sdk 自己的集成方案，当 sdk 自己的推送服务离线时，切换到厂商推送&/p&&ul&&li&优点：最大程度保证推送的稳定性&/li&&li&缺点：集成方案本身的不稳定性影响了推送的稳定性&/li&&/ul&&p&&b&推送类型&/b&&/p&&p&推送类型分为通知和透传&/p&&p&&i&通知&/i&&/p&&ul&&li&厂商到达率有优势&/li&&li&开发成本较高，需要适配不同厂商的接口标准&/li&&/ul&&p&&i&透传&/i&&/p&&ul&&li&可以自己解析、展示、跳转，灵活性高&/li&&li&开发成本较低，适配一次就够（通常通过 json ）&/li&&li&一些厂商的透传到达率没有厂商优势&/li&&/ul&&p&&b&集成方式&/b&&/p&&p&一般我们集成推送 sdk 有两种集成方式&/p&&ul&&li&maven 集成&/li&&li&手动集成&/li&&/ul&&p&从维护的角度来说， maven 集成的维护成本要小于手动集成，但是我这里还是推荐手动集成，主要有以下几个原因。&/p&&p&maven 集成的方式通常 sdk 会要求使用 manifest placeholder 的方式进行 appid appkey appsecret 的注入，但是这种方式需要在 app 层的 build.gradle 去注入，比较耦合。&/p&&p&maven 集成还有一个缺点，准确来说这是 sdk 开发商的问题，总会打包一些我们不需要的资源文件，其实我只需要一个 jar 包而已，并不是整个 aar 啊。&/p&&p&手动集成第一次写 manifest 比较麻烦，但是后面只要替换 jar 和 so 文件就好了，因为 manifest 一般不经常变化，除非有重大版本更新。&/p&&h3&&b&推送的展示&/b&&/h3&&p&接下来就要说说通知 &strong&Notification&/strong& 了，这个东西经过厂商的各种定制，适配起来也有不少麻烦。&/p&&p&&b&厂商的推送样式差异&/b&&/p&&p&部分厂商&/p&&ul&&li&不支持 &strong&NotificationCompat.BigTextStyle&/strong& （这都能不支持）&/li&&li&不支持 &strong&NotificationCompat.MediaStyle&/strong& （这个还可以理解）&/li&&li&不支持 &strong&Action Button&/strong&&/li&&li&不支持 &strong&Ticker&/strong&&/li&&li&自定义样式&strong&高度限制&/strong&&/li&&/ul&&p&&b&原生系统 Android 版本的推送样式差异&/b&&/p&&ul&&li&&strong&4.x&/strong& large icon 需要是方的&/li&&li&&strong&5.x 6.x&/strong& 由 &strong&setColor&/strong& 设置底色和 &strong&small icon&/strong& 配合形成 large icon&/li&&li&&strong&7.x &/strong&&strong&setColor&/strong& 影响标题颜色&/li&&/ul&&p&&b&通知的跳转&/b&&/p&&ul&&li&&i&透传：&/i&采用 &strong&Url&/strong& 方式进行跳转&/li&&li&&i&通知：&/i&采用 &strong&Intent&/strong& 参数的方式进行跳转&/li&&/ul&&p&推送这件小事就说到这里了。&/p&&h2&&b&展望未来&/b&&/h2&&p&最近，由&strong&泰尔实验室&/strong&牵头的安卓统一推送研讨会正在进行中，&strong&即刻&/strong&上有一个&strong&“&a href=&https://link.zhihu.com/?target=http%3A//m.ruguoapp.com/topics/58c0be0acb018e%3Fusername%3D069C7356-DD07-41AA-BB6D-06021FFF2E4D& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&安卓推送服务统一进展&/a&”&/strong&的提醒，我们一起关注安卓推送生态的变化吧。&/p&&blockquote&&p&用一句广告语描述厂商和 app 的相爱相杀：你好，我也好。&/p&&/blockquote&&h3&&b&参考资料&/b&&/h3&&p&&a href=&https://link.zhihu.com/?target=http%3A//www.jianshu.com/p/ed7& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Android推送技术研究&/a&&/p&&p&&a href=&https://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s%3F__biz%3DMzAwNDY1ODY2OQ%3D%3D%26mid%3Didx%3D1%26sn%3D4ebe4bebab594& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Android微信智能心跳方案&/a&&/p&&br&
今天来讲讲推送这件小事，事虽小，要做好却不容易。推送难，难于上青天。我们在讨论 Android 手机上的推送时，大多数情况是在说集成第三方推送，因为即使是像微信这样的大厂，也需要厂商加到启动白名单里才能保持在线。iOS 手机使用 APNs（Apple Push Notif…
&h4&先看看这些程序员技能树，你掌握或了解哪些？OMG竟然有么多～～～震精！震精！！！&/h4&&figure&&img src=&http://pic1.zhimg.com/v2-553ea2ead3eb82e29e05c_b.png& data-rawwidth=&372& data-rawheight=&656& class=&content_image& width=&372&&&/figure&&figure&&img src=&http://pic2.zhimg.com/v2-94b5bbaa4f51_b.png& data-rawwidth=&370& data-rawheight=&815& class=&content_image& width=&370&&&/figure&&figure&&img src=&http://pic2.zhimg.com/v2-b6e8e017ea95_b.png& data-rawwidth=&370& data-rawheight=&706& class=&content_image& width=&370&&&/figure&&p&这是从450家企业的招聘信息中统计而来，相对来说还是比较真实的，虽然有些公司的招聘要求万年不变，但还是可以大致反应企业的招聘要求的。&/p&&p&尽管Struts2漏洞频出，但是由于政府、银行以及传统企业遗留项目大部分还是采用Struts2的，所以还是占有一定市场，但绝壁不会增长。新兴互联网公司，一般来说主要是Spring家族居多，spring、spring Mvc以及Spring Boot 出现的频率较多。&/p&&p&从图中可以看出，分布式服务框架应用也是大部分企业招聘的必要条件了，阿里系的Dubbo名列前茅。相应的分布式应用程序协调服Zookeeper也出现在其中。&/p&&p&时下很流行的RESTful架构，准确的来说它是一种标准。也是很多企业考察的对象。&/p&&p&以下是出现次数超过100的一些技能，大家可以做一个参考。&/p&&blockquote&&p&Spring 299 &br&MySQL 290 &br&JavaScript 216&br&Linux 165&br&J2EE 151&br&设计模式 148&br&Struts2 138&br&Hibernate 132&br&Mybatis 130&br&jQuery 128&br&HTML 127&br&TOMCAT 117&br&iBatis 103&br&CSS 103&br&redis 102&br&多线程 102&br&dubbo 47 （绝壁不是打酱油的）&/p&&/blockquote&&p&相信每个程序员、或者说每个工作者都应该有自己的职业规划，问一下自己对编程到底持有的是一种什么样的态度，是够用就好呢还是不断研究？&/p&&p&小编对问题中的答案进行了精选，姿势准备好大图如下：&/p&&p&&b&社区昵称 似水的流年 的精彩回答：&/b&&/p&&p&java,php。这些排第一的除了还没用分布式的框架，其他的都在用，还是linux大法好&br&&/p&&figure&&img src=&http://pic4.zhimg.com/v2-75bd236c4cc_b.jpg& data-rawwidth=&1024& data-rawheight=&644& class=&origin_image zh-lightbox-thumb& width=&1024& data-original=&http://pic4.zhimg.com/v2-75bd236c4cc_r.jpg&&&/figure&&br&&p&&figure&&img src=&http://pic1.zhimg.com/v2-5969dbd3f6f8bf524d06da2aa98b5970_b.png& data-rawwidth=&2220& data-rawheight=&10114& class=&origin_image zh-lightbox-thumb& width=&2220& data-original=&http://pic1.zhimg.com/v2-5969dbd3f6f8bf524d06da2aa98b5970_r.png&&&/figure&&b&社区昵称 &/b&&b&阿狸小狐&/b&&b& 的精彩回答：&/b&&br&&/p&&p&JAVA核心技术总结&br&&/p&&figure&&img src=&http://pic3.zhimg.com/v2-554ecb1fd82f51a751f2_b.jpg& data-rawwidth=&1724& data-rawheight=&2328& class=&origin_image zh-lightbox-thumb& width=&1724& data-original=&http://pic3.zhimg.com/v2-554ecb1fd82f51a751f2_r.jpg&&&/figure&&p&J2EE技术总结&br&&/p&&figure&&img src=&http://pic1.zhimg.com/v2-0eabd97086bdcd76a57edccc4f7157e0_b.jpg& data-rawwidth=&1337& data-rawheight=&1603& class=&origin_image zh-lightbox-thumb& width=&1337& data-original=&http://pic1.zhimg.com/v2-0eabd97086bdcd76a57edccc4f7157e0_r.jpg&&&/figure&&p&工作和学习总结&br&&/p&&figure&&img src=&http://pic2.zhimg.com/v2-24df831f42bd20e721e50b5baa1b3361_b.jpg& data-rawwidth=&905& data-rawheight=&842& class=&origin_image zh-lightbox-thumb& width=&905& data-original=&http://pic2.zhimg.com/v2-24df831f42bd20e721e50b5baa1b3361_r.jpg&&&/figure&&p&大数据相关技术总结&br&&/p&&figure&&img src=&http://pic2.zhimg.com/v2-e800f8b1d226bcf71e3a6910204fdb19_b.jpg& data-rawwidth=&1057& data-rawheight=&729& class=&origin_image zh-lightbox-thumb& width=&1057& data-original=&http://pic2.zhimg.com/v2-e800f8b1d226bcf71e3a6910204fdb19_r.jpg&&&/figure&&p&&b&社区昵称 &/b&&b&happycc&/b&&b& 的精彩回答：&/b&&br&&/p&&p&正在使用的&/p&&p&Spring框架&br&Spring框架是一个分层架构,有7个定义良好的模块组成&br&spring模块构建在核心容器智之上, 核心容器定义了创建、 配置、和管理bean的方式&br&组成spring框架的每个模块(或组件)都可以单独存在, 或者与其他一个或多个模块联合实现&/p&&p&模块如下:&/p&&p&复制代码&br&1--核心容器&br&核心容器提供spring框架的基本功能,核心容器的主要组件是BeanFactory, 他是工厂模式的实现. &br&BeanFactory使用控制反转(IOC)模式将应用程序的配置和依赖性与实际的应用程序代码分开&/p&&p&2--Spring上下文&br&是一个配置文件,该配置文件向spring框架提供上下文信息&/p&&p&3--Spring AOP&br&通过配置管理特性,Spring AOP 模块直接将面向切面(方面)编程功能集成到spring框架中&/p&&p&4--spring DAO&br&JDBC DAO抽象层提供了有意义的已成层次结构, 可用该结构管理异常处理和不同数据库抛出的错误信息,极大的降低了异常代码数量&/p&&p&5--Spring ORM&br&spring框架插入了若干个ORM框架, 从而提供了ORM的对象工具,其中包括了Hibernate, Mybatis&/p&&p&6--Spring Web&br&web上下文模块建立在应用程序上下文模块之上,为基于web的应用程序提供上下文&/p&&p&7--Spring MVC&br&该框架是一个全功能的构建web应用程序的MVC实现. 通过策略接口,MVC框架变成高度可配置的. MVC容纳了大量视图技术. 其中包括JSP、Velocity和POI&br&复制代码&br&Spring 框架的好处&/p&&p&spring是最大的工厂&br&spring负责业务逻辑组件的框架和生成, 并管理业务逻辑组件的生命周期&br&spring可以生产所有实例, 从控制器、 业务逻辑组件、 持久层组件&br&Spring特点&/p&&p&复制代码&br&1--降低了组件之间的耦合性, 实现了软件各个层之间的解耦&br&2--可以使用spring容器提供的服务, 如: 事务管理, 消息服务&br&3--容器提供单例模式支持&br&4--容器提供AOP技术, 利用它很容易实现权限拦截, 运行期监控&br&5--容器提供了众多的辅助类, 能加快应用的开发(org.springframework.jdbc.core.JDBCTemplate 等)&br&6--spring对主流的应用框架提供了集成支持, 例如: hibernate,JPA, Struts, Mybatis(IBatis)&br&7--Spring属于低侵入式设计, 代码污染度极低&br&8--独立于各种应用服务器&br&9--spring的DI机制降低了业务对象替换的复杂性&br&10--spring的高度开发性, 并不强制应用完全依赖于spring, 开发者可以自由选择spring的部分或者全部&/p&&br&&p&&b&社区昵称 小崽崽 的精彩回答：&/b&（小崽崽同学，你确定不是来拉仇恨的嘛？这是有关java的问答啊....这篇评论火了，可以点击链接查看：&a href=&http://link.zhihu.com/?target=https%3A//yq.aliyun.com/roundtable/50380& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&作为一名合格的JAVA程序员需要点亮那些技能树？-聚能聊-云栖社区-阿里云&/a&）&br&&/p&&p&PHP才是世界上最好的语言，看我大PHP技能树&br&&/p&&figure&&img src=&http://pic3.zhimg.com/v2-8a8f2ef56f6b687b0cb1b2ae_b.jpg& data-rawwidth=&813& data-rawheight=&895& class=&origin_image zh-lightbox-thumb& width=&813& data-original=&http://pic3.zhimg.com/v2-8a8f2ef56f6b687b0cb1b2ae_r.jpg&&&/figure&&br&&figure&&img src=&http://pic2.zhimg.com/v2-80cbe3f4e77f2aa0d4ff1511aaf3b179_b.png& data-rawwidth=&1396& data-rawheight=&3268& class=&origin_image zh-lightbox-thumb& width=&1396& data-original=&http://pic2.zhimg.com/v2-80cbe3f4e77f2aa0d4ff1511aaf3b179_r.png&&&/figure&&br&&h4&各位攻城狮们在评论中聊聊你们的看法&/h4&&h4&你所掌握的语言是什么？又是如何点亮自己的技能树的？&/h4&&h4&或是准备点亮哪些技能树？精彩评论可以获得云栖大会套装（2016款云栖大会纪念版T恤衫、纪念版金色徽章、纪念版帽子）&/h4&
先看看这些程序员技能树，你掌握或了解哪些？OMG竟然有么多～～～震精！震精！！！这是从450家企业的招聘信息中统计而来，相对来说还是比较真实的，虽然有些公司的招聘要求万年不变，但还是可以大致反应企业的招聘要求的。尽管Struts2漏洞频出，但是由于政…
&figure&&img src=&https://pic2.zhimg.com/v2-ecb6deb640a5a9daaf3bf_b.jpg& data-rawwidth=&1092& data-rawheight=&600& class=&origin_image zh-lightbox-thumb& width=&1092& data-original=&https://pic2.zhimg.com/v2-ecb6deb640a5a9daaf3bf_r.jpg&&&/figure&这篇论文 &a href=&https://link.zhihu.com/?target=https%3A//static.googleusercontent.com/media/research.google.com/zh-CN//pubs/archive/45530.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Deep Neural Networks for YouTube Recommendations&/a& 是google的YouTube团队在推荐系统上DNN方面的尝试，发表在16年9月的RecSys会议。虽然去年读过，一方面因为这篇paper的来源于youtube团队的工业实践，G家的东西，非常值得好好研究下；另一方面，目前正在公司推进的项目对该论文有参考（both method and insight），也正准备在team内部分享下，因此整理下论文精读笔记。（PS：为方便阅读，下文以第一人称代替作者）&p&虽然国内必须翻墙才能登录YouTube，但想必大家都知道这个网站。基本上算是世界范围内视频领域的最大的网站了，坐拥10亿量级的用户，网站内的视频推荐自然是一个非常重要的功能。本文就focus在&b&&u&YouTube视频推荐的DNN算法，文中不但详细介绍了Youtube推荐算法和架构细节，还给了不少&/u&&/b&&b&&u&practical lessons and insights，很值得精读一番&/u&&/b&。下图便是YouTube APP视频推荐的一个例子。&/p&&p&&figure&&img src=&https://pic2.zhimg.com/v2-f03b9d3ac0cb6a7c5d9ababbdbaa68b7_b.jpg& data-rawwidth=&1028& data-rawheight=&878& class=&origin_image zh-lightbox-thumb& width=&1028& data-original=&https://pic2.zhimg.com/v2-f03b9d3ac0cb6a7c5d9ababbdbaa68b7_r.jpg&&&/figure&在推荐系统领域，特别是YouTube的所在视频推荐领域，主要面临三个挑战：&/p&&ul&&li&&b&规模大&/b&：用户和视频的数量都很大，只能适应小规模数据集的算法就不考虑了。&/li&&li&&b&更新快&/b&：youtube视频更新频率很高，每秒有小时级别的视频上传，需要在新发布视频和已有存量视频间进行balance。更新快（实时性）的另一方面的体现是用户实时行为切换很快，模型需要很好的追踪用户的实时行为。&/li&&li&&b&噪音&/b&：噪音主要体现在用户的历史行为往往是稀疏的并且是不完整的，并且没有一个明确的ground truth的满意度signal，我们面对的都是noisy implicit feedback signals。噪音另一个方面就是视频本身很多数据都是非结构化的。这两点对算法的鲁棒性提出了很高的挑战。&/li&&/ul&&p&之所以要在推荐系统中应用DNN解决问题，一个重要原因是google内部在机器学习问题上的通用solution的趋势正转移到Deep learning，系统实际部署在基于tensorflow的Google
Brain上。&/p&&br&&p&&b&一、系统概览&/b&&/p&&p&在工业界工作的同学对下图的系统划分并不陌生。整个推荐系统分为candidate generation（淘宝称为Matching，后面用Matching代替）和Ranking两个阶段。Matching阶段通过i2i/u2i/u2u/user profile等方式“粗糙”的召回候选商品，Matching阶段视频的数量是百级别了；Ranking阶段对Matching后的视频采用更精细的特征计算user-item之间的排序分，作为最终输出推荐结果的依据。&/p&&p&&figure&&img src=&https://pic1.zhimg.com/v2-533f102bd97b2b8cdf25639cfb0ab3e9_b.jpg& data-rawwidth=&910& data-rawheight=&686& class=&origin_image zh-lightbox-thumb& width=&910& data-original=&https://pic1.zhimg.com/v2-533f102bd97b2b8cdf25639cfb0ab3e9_r.jpg&&&/figure&之所以把推荐系统划分成Matching和Ranking两个阶段，主要是从性能方面考虑的。Matching阶段面临的是百万级视频，单个视频的性能开销必须很小；而Ranking阶段的算法则非常消耗资源，不可能对所有视频都算一遍，实际上即便资源充足也完全没有必要，因为往往来说通不过Matching粗选的视频，大部分在Ranking阶段排名也很低。接下来分别从Matching和Ranking阶段展开介绍。&/p&&br&&p&&b&二、Matching&/b&&/p&&p&&b&2.1 问题建模&/b&&/p&&p&我们把推荐问题建模成一个“超大规模多分类”问题。即在时刻&img src=&https://www.zhihu.com/equation?tex=t& alt=&t& eeimg=&1&&，为用户&img src=&https://www.zhihu.com/equation?tex=U& alt=&U& eeimg=&1&&（上下文信息&img src=&https://www.zhihu.com/equation?tex=C& alt=&C& eeimg=&1&&）在视频库&img src=&https://www.zhihu.com/equation?tex=V& alt=&V& eeimg=&1&&中精准的预测出视频&img src=&https://www.zhihu.com/equation?tex=i& alt=&i& eeimg=&1&&的类别（每个具体的视频视为一个类别，&img src=&https://www.zhihu.com/equation?tex=i& alt=&i& eeimg=&1&&即为一个类别），用数学公式表达如下：&/p&&p&&figure&&img src=&https://pic4.zhimg.com/v2-adde74b978b971e588ce0b_b.jpg& data-rawwidth=&1030& data-rawheight=&112& class=&origin_image zh-lightbox-thumb& width=&1030& data-original=&https://pic4.zhimg.com/v2-adde74b978b971e588ce0b_r.jpg&&&/figure&很显然上式为一个softmax多分类器的形式。向量&img src=&https://www.zhihu.com/equation?tex=u%5Cin+R%5EN& alt=&u\in R^N& eeimg=&1&&是&user, context&信息的高纬“embedding”，而向量&img src=&https://www.zhihu.com/equation?tex=v_%7Bj%7D%5Cin+R%5EN& alt=&v_{j}\in R^N& eeimg=&1&&则是视频 j 的embedding向量。所以DNN的目标就是在用户信息和上下文信息为输入条件下学习用户的embedding向量&img src=&https://www.zhihu.com/equation?tex=u& alt=&u& eeimg=&1&&。用公式表达DNN就是在拟合函数&img src=&https://www.zhihu.com/equation?tex=u+%3D+f_%7BDNN%7D%28user_info%2C+context_info%29& alt=&u = f_{DNN}(user_info, context_info)& eeimg=&1&&。&/p&&p&而这种超大规模分类问题上，至少要有几百万个类别，实际训练采用的是Negative Sampe，类似于word2vec的Skip-Gram方法，类似我专栏的第一篇文章 &a href=&https://zhuanlan.zhihu.com/p/?refer=deeplearning-surfing& class=&internal&&DNN论文分享 - Item2vec: Neural Item Embedding for Collaborative Filtering&/a& 的item-embedding用的方法。&/p&&br&&p&&b&2.2 模型架构&/b&&/p&&figure&&img src=&https://pic2.zhimg.com/v2-7f97ddd46e3a54a5d64a_b.jpg& data-rawwidth=&1590& data-rawheight=&998& class=&origin_image zh-lightbox-thumb& width=&1590& data-original=&https://pic2.zhimg.com/v2-7f97ddd46e3a54a5d64a_r.jpg&&&/figure&整个模型架构是包含三个隐层的DNN结构。输入是用户浏览历史、搜索历史、人口统计学信息和其余上下文信息concat成的输入向量；输出分线上和离线训练两个部分。&br&&p&离线训练阶段输出层为softmax层，输出2.1公式表达的概率。而线上则直接利用user向量查询相关商品，最重要问题是在性能。我们利用类似局部敏感哈希（Locality Sensitive Hashing，不展开介绍了，感兴趣的同学可以读读这篇论文 &a href=&https://link.zhihu.com/?target=http%3A//papers.nips.cc/paper/2666-an-investigation-of-practical-approximate-nearest-neighbor-algorithms.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&An Investigation of Practical Approximate Nearest Neighbor Algorithms&/a&）的算法为用户提供最相关的N个视频。&/p&&p&&b&2.3 主要特征&/b&&br&&/p&&p&类似于word2vec的做法，每个视频都会被embedding到固定维度的向量中。用户的&b&&u&观看视频历史&/u&&/b&则是通过变长的视频序列表达，最终通过&b&&u&加权平均（可根据重要性和时间进行加权）&/u&&/b&得到固定维度的watch vector作为DNN的输入。&br&&/p&&p&&b&除历史观看视频外的其他signal：&/b&&/p&&p&其实熟悉Skip-Gram方法的同学很容易看出来，2.1把推荐问题定义为“超大规模多分类”问题的数学公式和word2vec的Skip-Gram方法的公式基本相同，所不同的是user_vec是通过DNN学习到的，而&u&&b&引入DNN的好处则是任意的连续特征和离散特征可以很容易添加到模型当中&/b&&/u&。同样的，推荐系统常用的矩阵分解方法虽然也能得到user_vec和item_vec，但同样是不能嵌入更多feature。&br&&/p&&p&主要特征：&/p&&ul&&li&&b&历史搜索query&/b&：把历史搜索的query分词后的token的embedding向量进行加权平均，能够反映用户的整体搜索历史状态&br&&/li&&li&&b&人口统计学信息&/b&：性别、年龄、地域等&/li&&li&&b&其他上下文信息&/b&：设备、登录状态等&/li&&/ul&&p&&u&&i&“Example Age” （视频上传时间）特征&/i&&/u&&/p&&p&视频网络的时效性是很重要的，每秒YouTube上都有大量新视频被上传，而对用户来讲，哪怕牺牲相关性代价，用户还是更倾向于更新的视频。当然我们不会单纯的因为一个视频新就直接推荐给用户。&/p&&p&因为机器学习系统在训练阶段都是利用过去的行为预估未来，因此通常对过去的行为有个隐式的bias。视频网站视频的分布是高度非静态（non-stationary）的，但我们的推荐系统产生的视频集合在视频的分布，基本上反映的是训练所取时间段的平均的观看喜好的视频。因此我们我们把样本的 “age” 作为一个feature加入模型训练中。从下图可以很清楚的看出，加入“example age” feature后和经验分布更为match。&figure&&img src=&https://pic2.zhimg.com/v2-83f523875baab074b340b6ccea2eba02_b.jpg& data-rawwidth=&992& data-rawheight=&594& class=&origin_image zh-lightbox-thumb& width=&992& data-original=&https://pic2.zhimg.com/v2-83f523875baab074b340b6ccea2eba02_r.jpg&&&/figure&&/p&&br&&p&&b&2.4 label and context selection&/b&&/p&&p&在有监督学习问题中，最重要的选择是label了，因为label决定了你做什么，决定了你的上限，而feature和model都是在逼近label。我们的几个设计如下：&/p&&ul&&li&&b&使用更广的数据源&/b&：不仅仅使用推荐场景的数据进行训练，其他场景比如搜索等的数据也要用到，这样也能为推荐场景提供一些explore。&/li&&li&&b&为每个用户生成固定数量训练样本&/b&：我们在实际中发现的一个practical lessons，如果为每个用户固定样本数量上限，平等的对待每个用户，避免loss被少数active用户domanate，能明显提升线上效果。&/li&&li&&b&抛弃序列信息&/b&：我们在实现时尝试的是去掉序列信息，对过去观看视频/历史搜索query的embedding向量进行加权平均。这点其实违反直觉，可能原因是模型对负反馈没有很好的建模。&/li&&li&&b&不对称的共同浏览（asymmetric co-watch）问题&/b&：所谓asymmetric co-watch值的是用户在浏览视频时候，往往都是序列式的，开始看一些比较流行的，逐渐找到细分的视频。下图所示图(a)是hled-out方式，利用&u&&b&上下文信息&/b&&/u&预估中间的一个视频；图(b)是predicting next watch的方式，则是利用&b&&u&上文信息&/u&&/b&，预估下一次浏览的视频。我们发现图(b)的方式在线上A/B test中表现更佳。&u&&i&而实际上，传统的协同过滤类的算法，都是隐含的采用图(a)的held-out方式，忽略了不对称的浏览模式。&/i&&/u&&/li&&/ul&&figure&&img src=&https://pic2.zhimg.com/v2-4cfa7addb31147_b.jpg& data-rawwidth=&1674& data-rawheight=&482& class=&origin_image zh-lightbox-thumb& width=&1674& data-original=&https://pic2.zhimg.com/v2-4cfa7addb31147_r.jpg&&&/figure&&p&&b&2.4 不同网络深度和特征的实验&/b&&/p&&p&简单介绍下我们的网络构建过程，采用的经典的“tower”模式搭建网络，基本同2.2所示的网络架构，所有的视频和search token都embedded到256维的向量中，开始input层直接全连接到256维的softmax层，依次增加网络深度（+512--&+1024--&+2048--& ...）。&/p&&br&&figure&&img src=&https://pic3.zhimg.com/v2-1da8c98bc45a4_b.jpg& data-rawwidth=&914& data-rawheight=&338& class=&origin_image zh-lightbox-thumb& width=&914& data-original=&https://pic3.zhimg.com/v2-1da8c98bc45a4_r.jpg&&&/figure&下图反映了不同网络深度（横坐标）下不同特征组合情况下的holdout-MAP（纵坐标）。可以很明显看出，增加了观看历史之外的特征很明显的提升了预测得准确率；从网络深度看，随着网络深度加大，预测准确率在提升，但继续增加第四层网络已经收益不大了。&br&&figure&&img src=&https://pic4.zhimg.com/v2-5b6bf21518fc5cfad04c1d0_b.jpg& data-rawwidth=&896& data-rawheight=&826& class=&origin_image zh-lightbox-thumb& width=&896& data-original=&https://pic4.zhimg.com/v2-5b6bf21518fc5cfad04c1d0_r.jpg&&&/figure&&p&&b&三、Ranking&/b&&/p&&p&Ranking阶段的最重要任务就是精准的预估用户对视频的喜好程度。不同于Matching阶段面临的是百万级的候选视频集，Ranking阶段面对的只是百级别的商品集，因此我们可以&u&&i&使用更多更精细的feature&/i&&/u&来刻画视频（item）以及用户与视频（user-item）的关系。比如用户可能很喜欢某个视频，但如果list页的用的“缩略图”选择不当，用户也许不会点击，等等。&/p&&p&此外，Matching阶段的来源往往很多，没法直接比较。Ranking阶段另一个关键的作用是能够把不同来源的数据进行有效的ensemble。&/p&&p&在目标的设定方面，单纯CTR指标是有迷惑性的，有些靠关键词吸引用户高点击的视频未必能够被播放。因此设定的目标基本与期望的观看时长相关，具体的目标调整则根据线上的A/B进行调整。&/p&&p&&b&3.1 模型架构&/b&&/p&&p&Ranking阶段的模型和Matching基本相似，不同的是training最后一层是一个weighted LR层，而serving阶段激励函数用的是&img src=&https://www.zhihu.com/equation?tex=e%5E%7Bx%7D+& alt=&e^{x} & eeimg=&1&&，具体在3.3阐述。&/p&&figure&&img src=&https://pic4.zhimg.com/v2-33ff42f50e617e03ef659bd_b.jpg& data-rawwidth=&1560& data-rawheight=&804& class=&origin_image zh-lightbox-thumb& width=&1560& data-original=&https://pic4.zhimg.com/v2-33ff42f50e617e03ef659bd_r.jpg&&&/figure&&p&&b&3.2 特征表达&/b&&/p&&br&&p&&b&a). Feature Engineering：&/b&&/p&&p&尽管深度学习在图像、语音和NLP等场景都能实现end-to-end的训练，没有了人工特征工程工作。然而在搜索和推荐场景，我们的很难吧原始数据直接作为FNN的输入，&u&&i&特征工程仍然很重要&/i&&/u&。而特征工程中最难的是如何建模用户时序行为（&b&&i&temporal sequence of user actions&/i&&/b&），并且关联这些行为和要rank的item。&/p&&p&我们发现&b&&u&最重要的Signal是描述用户与商品本身或相似商品之间交互的Signal&/u&&/b&，这与Facebook在14年提出LR+GBDT模型的paper（&a href=&https://link.zhihu.com/?target=https%3A//pdfs.semanticscholar.org/daf9/ed5dc6c6bad6b8dd.pdf& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&Practical Lessons from Predicting Clicks on Ads at Facebook&/a&）中得到的结论是一致的。比如我们要度量用户对视频的喜欢，可以考虑用户与视频所在频道间的关系：&/p&&ul&&li&&b&数量特征&/b&：浏览该频道的次数？&/li&&li&&b&时间特征&/b&：比如最近一次浏览该频道距离现在的时间？&/li&&/ul&&p&这两个连续特征的最大好处是具备非常强的泛化能力。另外除了这两个偏正向的特征，用户对于视频所在频道的一些PV但不点击的行为，即&b&负反馈Signal同样非常重要&/b&。&br&&/p&&br&&p&另外，我们还发现，把Matching阶段的信息传播到Ranking阶段同样能很好的提升效果，比如&u&推荐来源和所在来源的分数&/u&。&/p&&p&&b&b). Embedding Categorical Features&/b&&br&&/p&&p&NN更适合处理连续特征，因此&u&稀疏的特别是高基数空间的离散特征&/u&需要embedding到稠密的向量中。每个维度（比如query/user_id）都有独立的embedding空间，一般来说空间的维度基本与log(去重后值得数量)相当。实际并非为所有的id进行embedding，比如视频id，只需要按照点击排序，选择top N视频进行embedding，其余置为0向量。而对于像“过去点击的视频”这种multivalent特征，与Matching阶段的处理相同，进行加权平均即可。&/p&&p&另外一个值得注意的是，同维度不同feature采用的相同ID的embedding是共享的（比如“过去浏览的视频id” “seed视频id”），这样可以大大加速训练，但显然输入层仍要分别填充。&/p&&br&&p&&b&c). Normalizing Continuous Features&/b&&/p&&p&众所周知，NN对输入特征的尺度和分布都是非常敏感的，实际上基本上除了Tree-Based的模型（比如GBDT/RF），机器学习的大多算法都如此。我们发现归一化方法对收敛很关键，推荐一种排序分位归一到[0,1]区间的方法，即&img src=&https://www.zhihu.com/equation?tex=%5Cbar%7Bx%7D%3D%5Cint_%7B-%5Cinfty+%7D%5E%7Bx%7Ddf++& alt=&\bar{x}=\int_{-\infty }^{x}df
& eeimg=&1&&，累计分位点。&/p&&p&除此之外，我们还把归一化后的&img src=&https://www.zhihu.com/equation?tex=%5Cbar%7Bx%7D+& alt=&\bar{x} & eeimg=&1&&的根号&img src=&https://www.zhihu.com/equation?tex=%5Csqrt%7Bx%7D+& alt=&\sqrt{x} & eeimg=&1&&和平方&img src=&https://www.zhihu.com/equation?tex=x%5E%7B2%7D+& alt=&x^{2} & eeimg=&1&&作为网络输入，以期能使网络能够更容易得到特征的次线性（sub-linear）和（super-linear）超线性函数。&/p&&br&&p&&b&3.3 建模期望观看时长&/b&&/p&&p&我们的目标是预测&u&&b&期望观看时长&/b&&/u&。有点击的为正样本，有PV无点击的为负样本，正样本需要根据观看时长进行加权。因此，我们训练阶段网络最后一层用的是 weighted logistic regression。&/p&&p&正样本的权重为观看时长 &img src=&https://www.zhihu.com/equation?tex=T_%7Bi%7D& alt=&T_{i}& eeimg=&1&&，负样本权重为1。这样的话，LR学到的odds为：&/p&&p&&figure&&img src=&https://pic3.zhimg.com/v2-4b76c85fb3_b.jpg& data-rawwidth=&1316& data-rawheight=&142& class=&origin_image zh-lightbox-thumb& width=&1316& data-original=&https://pic3.zhimg.com/v2-4b76c85fb3_r.jpg&&&/figure&其中&img src=&https://www.zhihu.com/equation?tex=N& alt=&N& eeimg=&1&&是总的样本数量，&img src=&https://www.zhihu.com/equation?tex=k& alt=&k& eeimg=&1&&是正样本数量，&img src=&https://www.zhihu.com/equation?tex=T_%7Bi%7D& alt=&T_{i}& eeimg=&1&&是第&img src=&https://www.zhihu.com/equation?tex=i& alt=&i& eeimg=&1&&正样本的观看时长。一般来说，k相对N比较小，因此上式的odds可以转换成&img src=&https://www.zhihu.com/equation?tex=E%5BT%5D%2F%281%2BP%29& alt=&E[T]/(1+P)& eeimg=&1&&，其中&img src=&https://www.zhihu.com/equation?tex=P& alt=&P& eeimg=&1&&是点击率，点击率一般很小，这样odds接近于&img src=&https://www.zhihu.com/equation?tex=E%5BT%5D& alt=&E[T]& eeimg=&1&&，即期望观看时长。因此在线上serving的inference阶段，我们采用&img src=&https://www.zhihu.com/equation?tex=e%5E%7Bx%7D& alt=&e^{x}& eeimg=&1&&作为激励函数，就是近似的估计期望的观看时长。&br&&/p&&p&&b&3.4 不同隐层的实验&/b&&/p&&p&下图的table1是离线利用hold-out一天数据在不同NN网络结构下的结果。如果用户对模型预估高分的反而没有观看，我们认为是预测错误的观看时长。weighted, per-user loss就是预测错误观看时长占总观看时长的比例。&/p&&p&我们对网络结构中隐层的宽度和深度方面都做了测试，从下图结果看增加隐层网络宽度和深度都能提升模型效果。而对于1024--&512--&256这个网络，测试的不包含归一化后根号和方式的版本，loss增加了0.2%。而如果把weighted LR替换成LR，效果下降达到4.1%。&/p&&p&&figure&&img src=&https://pic4.zhimg.com/v2-05b935a5fba84dac4f575dd679ddd66a_b.jpg& data-rawwidth=&942& data-rawheight=&472& class=&origin_image zh-lightbox-thumb& width=&942& data-original=&https://pic4.zhimg.com/v2-05b935a5fba84dac4f575dd679ddd66a_r.jpg&&&/figure&&b&四、总结&/b&&/p&&p&虽然早就读过这篇文章，但是精读之后，发现新收获仍然不少。对于普通的学术论文，重要的是提供一些新的点子，而对于类似google这种工业界发布的paper，特别是带有practical lessons的paper，很值得精读。另外一点就是，论文中提到的一些insight和我们在淘宝商品搜索排序场景的一些insight非常的契合，读来别有感觉。&/p&&p&最后安利下我们team的招聘，对淘宝搜索排序感兴趣的同学欢迎邮件我 qingsong.，来淘宝，一起成长！&/p&
是google的YouTube团队在推荐系统上DNN方面的尝试，发表在16年9月的RecSys会议。虽然去年读过，一方面因为这篇paper的来源于youtube团队的工业实践，G家的东西，非常值得好好研究下；另一方面，…
&figure&&img src=&https://pic1.zhimg.com/v2-f73c03c748ef5cfc10f2f066ed99abcb_b.jpg& data-rawwidth=&1280& data-rawheight=&725& class=&origin_image zh-lightbox-thumb& width=&1280& data-original=&https://pic1.zhimg.com/v2-f73c03c748ef5cfc10f2f066ed99abcb_r.jpg&&&/figure&&blockquote&Android 技术文章精选第195期：每天为您精选国内外优秀的 Android 技术分析文章。&/blockquote&&p&&a href=&http://link.zhihu.com/?target=http%3A//mp.weixin.qq.com/s/w76l1fpbsEyWoowytDj0iw& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&1、FlexboxLayout 帮助您完成聪明的 UI 布局&/a&&/p&&p&去年 Google 官方 在 Google I/O 上发布了 ConstraintLayout，在构建复杂布局的同时能够让视图层级得到精简，后来开源了 FlexboxLayout，使得 Android 里的 CSS Flexible Layout 模块也能拥有同样强大的功能。本文通过讲解几个小案例来展示 FlexboxLayout 的优越性。&/p&&p&FlexboxLayout 可以理解为高级的 LinearLayout ，因为这两个布局都将其子视图按序排列。二者之间的重要差异在于 FlexboxLayout 具有 “换行” 的特性。&/p&&p&&a href=&http://link.zhihu.com/?target=https%3A//www.diycode.cc/topics/683& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&2、加速 Android Studio 的构建速度，如何把编译时间从 130 秒降到 17 秒&/a&&/p&&p&作者动机：公司的项目代码比较多，每次调试改动java文件后要将近2分钟才能跑起来，实在受不了。在网上找了一大堆配置参数也没有很明显的效果， 尝试使用instant run效果也不怎么样，然后又尝试使用freeline编译速度还可以但是不稳定，每次失败后全量编译很耗费时间，既然没有好的方案就自己尝试做。&/p&&p&&a href=&http://link.zhihu.com/?target=https%3A//www.diycode.cc/news/2156& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&3、通过 Cache-Control、Last-Modified 和 Etag 优化客户端缓存&/a&&/p&&p&日常开发中，为了不让用户等得着急，或多或少都会用到 Cache。对于一个有着固定链接的图片资源而言，我们可以简单地将其存储起来，以供后续的访问。但对于那些 Uri 一致，但内容可能随时变化的情形而言，就显得有些不太合适了。&/p&&p&&a href=&http://link.zhihu.com/?target=https%3A//www.diycode.cc/news/2157& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&4、ProGuard 又搞了个大新闻&/a&&/p&&p&今天被ProGuard坑的不是混淆API导致的BUG，这货在之前相当长的一段时间里一直相安无事，最近突然又搞了个大新闻，而且问题排查起来相当蹊跷、诡异。&/p&&p&&a href=&http://link.zhihu.com/?target=http%3A//weishu.me//dive-into-art-hello-world/& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&5、ART深度探索开篇：从Method Hook谈起&/a&&/p&&p&&a href=&http://www.zhihu.com/people/63e1f52a1935d0ecb3e7& data-hash=&63e1f52a1935d0ecb3e7& class=&member_mention& data-editable=&true& data-title=&@weishu& data-hovercard=&p$b$63e1f52a1935d0ecb3e7&&@weishu&/a&
分享从Method Hook开始了解热修复。 &/p&&p&&a href=&http://link.zhihu.com/?target=https%3A//www.diycode.cc/news/2159& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&6、定制触摸反馈：RippleDrawable&/a&&/p&&p&为了更好的在5.0及以上设备上使用波纹效果，简单跟大家聊下RippleDrawable的正确打开方式，如何方便快捷的定义不同的触摸反馈的范围以及波纹扩散的颜色，最后聊下5.0以下设备上的兼容方案。&/p&&p&&a href=&http://link.zhihu.com/?target=https%3A//github.com/Krupen/AutoplayVideos& class=& wrap external& target=&_blank& rel=&nofollow noreferrer&&7、AutoplayVideos：视频随着滚动自动播放和暂停，基于RecyclerView实现&/a&&/p&&br&&h2&课外话题&/h2&&p&&a href=&https://www.zhihu.com/question/& class=&internal&&典型的「学生思维」有哪些？&/a&&/p&&p&RT。&/p&&blockquote&&p&喜欢这期 Android 技术文章精选么？喜欢的话，不妨点个赞 吧！&/p&&/blockquote&
Android 技术文章精选第195期：每天为您精选国内外优秀的 Android 技术分析文章。去年 Google 官方 在 Google I/O 上发布了 ConstraintLayout，在构建复杂布局的同时能够让视图层级得到精简，后来开源了 FlexboxL…
1. 請別人幫忙（發文件等等）&br&At your convenience, would you please send me.....&br&最後加上Thank you for your assistance.&br&&br&2. 尋求意見：&br&Our team would appreciate your insights/input on.....&br&&br&Due to the short time frame for this proposal, prompt reply is greatly appreciated. &br&&br&3. 取消會議：&br&I want to be mindful of your time and we don’t have any u therefore I suggest that we cancel/reschedule today's meeting. If you disagree or need assistance, please let us know.&br&&br&My apologies for the late notice, but i need to reschedule tomorrow's call. There remain a few open items we need to address, therefore i will send out a new invite once we agree upon a time.&br&&br&4. 對方發郵件問問題時，回答完加上：Hope this answers your question. Let me know if further detail/explanation would be helpful.&br&&br&5. 會議總結：&br&Thank you for making time on a very busy Friday afternoon to join our discussion. i hope we were able to provide clarity on......Attached is a summary of what we discussed today.&br&&br&6. 道歉：&br&My sincere apology for this u I will address to my team immediately.&br&Again，please accept my most sincere apology.&br&&br&7. 跟客户分享项目进展以后，建议电话详谈&br&Once these final steps are finished, I would suggest having a brief call to discuss our findings and recommendations for next steps.
Would you please provide a few times the week of XXX that work within your schedule and I will send the calendar invite?&br&&br&8. 文件打了草稿，请求上司过目&br&Attached is the drafted xx file. It is still a work in process but I would like to see if anything immediately stood out to you as odd or worthy of follow-up.&br&&br&9. 分享2个不错的automatic reply,去旅游或者外地开会的时候可以用:&br&&p&Thank you for your e-mail. I will be out of the office on vacation from XXX - XXX with no access to e-mails. I apologize for any delay in response to your e-mail. I will respond to your e-mail as quickly as I can when I return to the office on Monday, April 18th. Thanks!&/p&&br&&p&Thank you for your e-mail. I am out of the office in meetings on XXX and XXX with limited access to e-mail. If you need immediate assistance, please contact me via my mobile phone.
Thank you!&/p&&br&10. 指点下属&br&Thanks for preparing the XXX. I made the following updates to the question responses.
We can discuss my thought process when I am in the office on Monday.
&br&&br&XXX, good job! I have reviewed the XXX documents and have the following review comments:&br&1...&br&2....&br&(将做好的文件交给老板检查以后，通常会有Review Comments，就是列出需要改的部分）&br&&br&11. 邮件问好 (美国人好喜欢用hope 哈哈）&br&周一/二可用：&br&I hope that your week is off to a great start.
&br&Hope you had a great weekend.&br&万能的：&br&Hope you’re well/Hope you are doing well.&br&I hope this message finds you well.&br&&br&PS. If you like this answer, if not, don't. I REALLY don't give a damn of your opinion.&br&&br&以上
1. 請別人幫忙（發文件等等） At your convenience, would you please send me..... 最後加上Thank you for your assistance. 2. 尋求意見： Our team would appreciate your insights/input on..... Due to the short time frame for this proposal, promp…
&p&移动GPU和桌面GPU最核心的差别在于渲染流程不同。目前主流的移动GPU，无论ARM、高通还是Imagination，其GPU都是TBR（Tile Based Rendering）。而桌面GPU，无论NVIDIA、AMD还是Intel，都是Immediate Rendering. 下面我就来说说什么叫TBR，什么叫Immediate Rendering。&/p&&p&说在前面：
从opengl定义的GPU pipeline来看，一帧3D场景是通过以下几个过程渲染出来的。&/p&&p&“Vertex前端”（负责准备数据和Vertex Shader指令）-&&Vertex Shader&(计算定点位置，颜色，纹理坐标，光照，等相关工作)-&&Primitive Assembly&（负责组装图元，比如三角形； 坐标系变换，物体坐标-&世界坐标-&透视变换-&屏幕坐标；视锥剪裁；Culling正反面选择）-& “Rasterizing”（光栅化，就是将立体场景投影到二维屏幕的过程）-&&Early Z/S&（前期depth和stencil测试，决定一个fragment是否被渲染，从而降低后期fragment shader的负担）-&&Fragment Shader&（对一个fragment，即像素，进行渲染。可能涉及到读取纹理texture。）-&&Post Z/S&（后期depth和stencil测试，有些应用在fragment shader中可能会改变该像素的深度值）-&&Blending&（将此次渲染结果和之前的渲染结果进行混合）。&/p&&br&&p&1. Immediate Rendering&/p&&p&Ok，说到这所谓的Immediate Rendering，就是将一个图元（最常见的是三角形），从头到尾走完整个Pipeline，中间没有停止。这种结构，控制简单，容易实现。问题是在做blending的时候需要从存储单元中不断读回之前render的结果，可想而知在绘制一个大的场景时这个带宽消耗是比较大的。&/p&&p&那为什么桌面GPU会采用这个架构。首先，历史原因，最开始设计opengl pipeline的人，正是这些设计桌面GPU的大咖们。不过，最重要的一点是，桌面GPU都是有自身显存的，它不需要通过系统总线从系统的DDR memory中读回数据。所以开销比较小，是完全可以接受的。但移动端的处理器（基本是可以认为都是ARM处理器）都是统一寻址的。所有的IP都是使用统一的DDR存储空间，这样读回Pixel进行blending就变成了一件非常奢侈的事情。它会严重占用系统带宽，不但功耗提升，而且会影响整个SOC的处理能力（可以想象北京上海的堵车场景）。为了解决这个问题TBR便应运而生了，下面该TBR出场了。&/p&&p&
2. TBR&/p&&p&TBR是Tile Based Rendering的缩写。首先来认识一个概念Tile。什么是Tile，你可以把它看成一小块屏幕区域。比如一个屏幕的分辨率为256x256，假定一个tile的大小是16x16，那么这个屏幕可以看成是由16x16个Tile组成。TBR的精髓就是一个Tile一个Tile的渲染。这样只需要给GPU配上一块很小的片上cache（足够装下一两个Tile的内容就行），就能实现高效的blending。那么，问题来了，根据前面讲述的GPU pipeline来看，只有在光栅化的时候才能知道每一个tile中包含的fragment，如何才能做到一个tile画完再画另一个tile呢。这里就需要一种机制将整个场景的图元信息（最主要的是位置）都保存下来，并且能在做光栅化时快速的检索出属于这个Tile的图元。所以所有的移动GPU中都会有Tiler这个模块，这在桌面GPU中是没有的。每个厂家的Tiler实现都是机密，这里不予讨论。我们只要知道Tiler能接收vertex shader的运算结果，并在光栅化之前，选出属于特定tiler的图元就行了。有了Tiler，这个GPU Pipeline就被分为了两部分，一个场景中所有的vertex计算都在光栅化之前完成，最后再一次性raster一个Tile。这样做还有一个好处就是，可以更有效的在early z中剔除被遮挡的像素，降低了fragment shader的负载。&/p&
移动GPU和桌面GPU最核心的差别在于渲染流程不同。目前主流的移动GPU，无论ARM、高通还是Imagination，其GPU都是TBR（Tile Based Rendering）。而桌面GPU，无论NVIDIA、AMD还是Intel，都是Immediate Rendering. 下面我就来说说什么叫TBR，什么叫Immediate Re…
国内真正做过游戏AI的很少，说概念的人很多，所以看了半天离实际编码还是很远，不知道该怎么入手，因为国内游戏主要以MMO和卡牌为主，RTS比较少，体育竞技类游戏更少，没几个真正写过强AI代码的。而从AI的难度上来看，是：MMO & FPS & RTS & 体育竞技。作为实际开发过AI的人，拿一份五年前的代码，以最难的体育竞技类游戏为例，来科普一下，什么叫做游戏团队策略，什么叫做分层状态机？具体该如何落地到代码？如果你能实现体育竞技的AI，那即时战略只是小事一桩。&br&&br&硬派游戏AI，不是虚无缥缈的神经网络，用神经网络其实是一个黑洞，把问题一脚踢给计算机，认为我只要训练它，它就能解决一切问题的懒人想法。更不是遗传算法和模糊逻辑，你想想以前8位机，16位机上就能有比较激烈对抗的足球游戏、篮球游戏，那么差的处理器能做这些计算么？&br&&br&硬派游戏AI，就是状态机和行为树。状态机是基本功，行为树可选（早年AI没行为树这东西，大家都是hard code的）。大部分人说到这里也就没了，各位读完还是无法写代码。因为没有把最核心的三个问题讲清楚，即：&b&分层状态机&/b&、&b&决策支持系统&/b&、以及&b&团队角色分配&/b&。下面分类介绍：&br&&br&&b&何为分层状态机？&/b&&br&&br&每个人物身上，有三层状态机：基础层状态机、行为层状态机、角色层状态机。每一层状态机解决一个层次的复杂度，并对上层提供接口，上层状态机通过设置下层状态机的目标实现更复杂的逻辑。&br&&ul&&li&基础状态机：直接控制角色动画、提供基础动作实现，为上层提供支持。&br&&/li&&li&行为状态机：分解动作，躲避跑、直线移动、原地站立、要球、传球、射球、追球、打人、跳。&br&&/li&&li&角色状态机：实现更复杂的逻辑，比如防射求、篮板等都是由N次直线运动+跳跃或者打人完成。&br&&/li&&/ul&&figure&&img src=&https://pic4.zhimg.com/402bcf0e16bb_b.jpg& data-rawwidth=&542& data-rawheight=&264& class=&origin_image zh-lightbox-thumb& width=&542& data-original=&https://pic4.zhimg.com/402bcf0e16bb_r.jpg&&&/figure&每一层状态机都是通过为下一层状态机设定目标来实现控制（目标设定后，下层状态机将自动工作，上层不用关心动画到底播到哪了，现在到底是跑是跳），从而为上层提供更加高级拟人化的行为，所有状态机固定频率更新（如每秒10次），用于判断状态变迁和检查底层目标完成情况。最高层的角色状态机的工作由团队AI来掌控，即角色分配的工作。而行为状态机以上的状态抉择，比如回防，到底是跑到哪一点，射球，到底在哪里起跳，路径是怎样的，则由决策支持系统提供支持。&br&&br&&b&何为决策支持系统？&/b&&br&&br&状态机为角色的大脑，而决策支持系统是眼睛和耳朵，常见的工具有势力图（Influence Map）和白板（相当于不同角色间喊话），其中势力图比较常用，篮球游戏AI势力图可以用下面几张图表示：&br&&figure&&img src=&https://pic2.zhimg.com/45a8bff67eb5be884cb3e9_b.jpg& data-rawwidth=&620& data-rawheight=&229& class=&origin_i}