画线是股票技术分析中非常重要的一种工具，是新股民进入股市后学习成长道路上的一门必修课。相比基本面要深入研究公司一大堆财务数据和行业未来发展前景来说，画线是新手更容易上手的股票分析工具，在实战交易中实用性更强，绝大多数在决策股票买卖点或预估大盘具体点位的时候，本质都会用到画线相关的理论。

每一根K线代表着当天市场多空双方的博弈过程，多根K线连在一起就形成了股票的长期走势，认真观察我们是可以在K线图中找到某些特定规律，使用画线工具在K线图中将其刻画出来，就形成了例如波浪形态、上升/下降轨道、支撑压力位、黄金分割等辅助线，以此来帮助我们更高效准确的做出买卖决策。

使用画线工具来分析股票十分的方便，对投资也是十分重要的。但是对于新手股民来说，怎样使用股票画线工具是一个难题。这里牵涉到两个方面，如何设计画线工具更易于使用，以及投教让新手股民学会如何使用画线工具。

​传承中轴千年历史，亦是设计向善的使命。我们希望通过求真的设计帮助人们了解北京中轴线的知识，学习前人构建城市秩序的智慧，感受中轴线背后的中国传统思想。

系统介绍设计文档的目的、结构及参考模板。

在很多产品的迭代过程中，我们可以通过构建系统的指标体系对产品发展进行持续评估。特别地，在用户调研类服务产品中，我们需要持续地、细化地同时对B端和C端用户进行观察；随着产品功能的增加和用户群体的扩展，报表的数量在不断增加，团队同学对数据的也需求越来越多。

在之前的公众号文章《GTID实践和分析》中介绍了GTID的基本原理，MySQL主要通过Server引擎的binlog文件和Innodb的mysql.gtid_executed表来持久化GTID集合信息。在提交时会将分配给事务的GTID刷到binlog文件中，在事务成功提交后会将GTID加入内存的executed_gtids集合中，并周期性持久化到mysql.gtid_executed表中。在实例恢复时可以从mysql.gtid_executed表+最后一个binlog文件中的GTID信息来恢复executed_gtids集合，从而保证GTID的完整性。

在MySQL 8.0.17开始引入基于Innodb引擎的物理备份插件clone plugin，和xtrabackup不同，它在克隆时不会复制Server层的binlog文件，而mysql.gtid_executed表的数据并不是实时的，因此需要在Innodb层维护完整的GTID信息。引入clone plugin后一个明显的变化是事务提交时会将GTID信息记录在undo log header，并新增一个 Clone_persist_gtid 对象来维护Innodb层GTID的持久化。本文将从"分配Undo log segment"、"在Undo log header记录GTID信息"、"GTID的持久化"和"Purge Undo log"这几个关键环节代码对GTID的维护进行介绍。

在学习和工作过程中，作为工程师的大家都会试着写一些技术文章，或用于沉淀总结，或用于分享经验，或用于传播知识。最近几年笔者在工作之余也会写一些技术文章，也经常会思考“如何写好一篇技术文章”这个问题。

本文对完美 Hash 的概念进行了梳理，通过 Hash 构建步骤来了解它是如何解决 Hash 冲突的，并比较了 Hash 表和完美 Hash 表。下面介绍常见的 Hash 与 Perfect Hash 函数及它们在不同场景的应用。

使用 sql 做数仓开发有一段时间了，现做一下梳理复盘，主要内容包括 sql 语法、特性、函数、优化、特殊业务表实现等。

关于C++异步，你需要了解哪些？

跨领域推荐（cross-domain recommendation, CDR）关注如何充分利用源领域（source domain）的信息辅助目标领域（target domain）的推荐效果。真实推荐系统中常常能遇到需要跨领域推荐的场景（且目标领域往往只拥有极稀疏的用户行为），然而已有CDR模型往往关注于排序模块，缺少对于召回模块（matching）的设计。召回中的跨领域推荐在领域内表示学习和领域间知识迁移时都面临着严重的数据稀疏（data sparsity）和流行度偏差（popularity bias）问题。

在这篇工作中，我们针对召回中的跨领域推荐问题，提出了一个基于对比学习的跨领域推荐模型（Contrastive Cross-Domain Recommendation，CCDR）。具体地，我们首先在每个领域建立一个全局异质的多样化偏好网络（diversified preference network），通过异质节点用户、物品、标签、分类、文字、公众号之间丰富的交互，引入额外的多样化用户偏好信息，然后，我们使用单领域图神经网络得到各领域下异质节点的表示向量。

我们创新性地提出并联合应用两种对比学习——领域内对比学习（intra-domain contrastive learning, intra-CL）和领域间对比学习（inter-domain contrastive learning, inter-CL）。领域内对比学习通过图增广加强稀疏目标领域内的节点表示学习，而领域间对比学习构建了三种不同的跨领域知识迁移桥梁，加强了不同领域间的用户偏好对齐。

我们在看一看推荐系统的不同跨领域推荐场景上进行了丰富的实验，CCDR模型在离线和线上实验中均获得显著提升效果。目前，CCDR模型已经部署于看一看推荐系统，服务千万用户。

创新在产品设计和驱动商业中有着不可或缺重要性。作为设计师，如何抓住乍现的灵光时刻并不断复制思路，生产源源不断的创意活水？《设计策略｜源源不断的创新思路》分为渐进篇和激进篇，旨在从创意的启动、过程和决策三个阶段出发，提供创意策略，通过具体的案例或思维过程帮助大家在工作中打造自己的灵感永动机。

B端业务场景下数据量多且复杂，对数据的精准度和查找效率要求高。本文基于威胁情报中心业务设计背景对B端搜索功能进行探究分析，总结设计过程中的思考和要点。

在这篇笔记中，主要总结了流与宽高之间是如何相互影响的，同时还探索了部分盒模型的问题。希望能给大家在平常开发时，带来一定的启发。

纵观全网Figma基本都是To B 、To C类的产品应用，很少人会往这个游戏这个方向研究了，因此我开启了一段Figma针对扁平类游戏UI设计的探索之旅，结合Figma Config 2022姗姗来迟的AutoLayout 4.0的使用，以英雄联盟鲜明的海克斯科技风格代表性更高。

企业微信在飞速发展，越来越多的企业在企微协同、连接。据 2022 年企微发布会公布，企微内有 1000 万真实企业/组织，服务 5 亿微信活跃用户，活跃用户数达到 1.8 亿。

消息是企微最核心的基础功能，过去几年消息量增长了很多倍。为了保证消息存储系统的高可用和高可靠，我们进行了多次重要升级改造。

关于C++异步，你需要了解哪些？