随着数据量的增大，特别是百亿千亿规模的数据量级运算已经成为常态的背景下，使用更少的资和源更少的时间，更高效的得到数据的统计结果、计算去重汇总指标非常频繁的业务需求之一。本文介绍两种有效的算法来探讨一下非精确的算法在大数据开发中的应用！

本文主要介绍几种主流的模拟点击技术及其应用。

在互联网场景，无论是构建广告、搜索推荐、投放、用户触达等场景，其实都是围绕着用户行为流量进行各种人工或智能策略的流量调控分发或是人群运营。在这些精细智能化运营的背后，对流量数据的丰富性、时效性和灵活性提出巨大的挑战。

本文主要分享了在网易严选电商流量数据建设，一套覆盖全链路、通用场景归因量化、多维度灵活的流量数据体系，服务数据驱动的人货场匹配的核心业务营销场景。

本文会大致介绍一下 Swift 中的 JSON 反序列化常用方案和各自的优缺点，以及云音乐目前正在使用的方案。

当今是流量为王时代，严选作为电商，流量建设就显得尤为重要。流量数据建设比业务数据困难，因为其数据源本身是一些半结构化的数据，没有分析维度的概念，而且流量的数据杂、脏、乱，对数据的检验、整合、治理的难度就会更大。

严选指标测试平台，可以沉淀出指标测试及回归视角的核心指标集合，解决数据测试中，数据指标数量多、口径多，核对困难的痛点，为数据指标提供自动化测试和回归能力；同时提供数据监控报警的能力提高了线上问题的主动发现率。

React Native 虽然提供了拆包的能力，但只能拆为基础包和业务包；无法做精细化的代码分割，更无法提供灵活的按需加载能力。本文将介绍纯前端如何在 React Native 中实现的动态导入。

随着云音乐业务的不断发展拓宽，算法侧对特征开发的效率、特征数据的准确性、特征读写的性能、使用资源的大小等都有了更高的要求，我们以此为契机沉淀了一整套特征工程解决方案来应对以上的问题。

为什么这个题目叫《不谈虚的，给传统企业一份代码级的中台落地实践》，其实在春节前有一波讨论中台的高潮，大家有的说虚，有的说有用，有的说割韭菜……以及各种公众号的文章，来来去去的特别多。

当时我就在想，中台只是现在起的一个名字，其实是中台落地，中台我们称之为一个可复用的能力。这种可复用能力的机制，它想落地的时候，其实每一步都是非常实实在在的，上一些组件或者上一些工具，以及上一些流程来做这个事情。

数据产品的数据来源是严选的业务链路，产出的数据也是要反哺业务链路，最终实现推动业务发展。本文从数据测试能力分层、数仓造数能力展开严选数据质量保障建设之路的介绍。

做数仓最重要的是什么？一是模型易用性，二是数据质量。模型易用性我们可以通过建模规范、指标管理等方式去实现。而对于数据质量呢？本篇将以严选数仓为例，从建设目标、保障措施、效果评价等几方面探讨数仓质量建设。

选择 Curve 上线生产环境已近三年，目前 Curve 作为云盘底座运行良好，性能和稳定性均超出核心业务需求预期。

商品中心随着自身业务的发展，系统复杂度逐渐变高。在业务治理过程中，我们尝试引入了DDD来辅助进行现有业务的模型重建，并在此基础上完成了中台服务能力的沉淀和对外提供。通过将核心业务逻辑下沉内聚，降低调用方的业务复杂度，防范逻辑腐化。

目前网易云信的 IM SDK 支持全平台，IM SDK 每次发版除了要针对新功能进行测试外，回归测试也占了很大比重，只单纯依靠人工测试，会出现许多问题。网易云信的“自动化测试平台”解放了大量的人力，本文将基于此，分享 C++ 静态反射在云信 SDK 中的应用实践。

面对海量曲库，推荐系统能帮助用户快速触达喜欢的音乐。为了提供更好的用户体验和精准的推荐效果，推荐系统一般会使用更多特征和更复杂的模型，这就对推荐系统中的预估系统提出了更高的要求。本文会详细介绍云音乐高性能预估系统的设计思考和实践经验。

APP的每个业务场景都有其既定的运行模式，若被人为破坏就可认为是不安全的。比如秒杀场景、用户拉新场景。APP端上安全要做的就是甄别并防范这种异常场景的发生，简而言之它就是：一种确保官方APP在既定业务模型中运行的能力。