前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >Activiti7的api查询(实时更新)

Activiti7的api查询(实时更新)

作者头像
一写代码就开心
发布于 2022-05-27 00:16:19
发布于 2022-05-27 00:16:19
3K00
代码可运行
举报
文章被收录于专栏:java和pythonjava和python
运行总次数:0
代码可运行

目录

1 背景

学习activiti,就是学习使用java代码操作25张表; java代码中我们调用Activiti的工具类;

service名称

service作用

RepositoryService

activiti的资源管理类

RuntimeService

activiti的流程运行管理类

TaskService

activiti的任务管理类

HistoryService

activiti的历史管理类

ManagerService

activiti的引擎管理类

2 各个api

2.1 引擎对象里面的方法

我们创建了一个工作流引擎对象,里面最主要的就是以上的9个方法

2.2 创建工作流引擎-------getDefaultProcessEngine()

代码操作25张表,我们需要拿到25张表整体的一个对象,使用对象里面的各种各样的方法进行操作25张表;这个最原始的,最开始的一个大的对象,创建方法是

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
1   默认创建方式
将activiti.cfg.xml文件名及路径固定,
且activiti.cfg.xml文件中有 processEngineConfiguration的配置, 
可以使用如下代码创建processEngine:


//直接使用工具类 ProcessEngines,使用classpath下的activiti.cfg.xml中的配置创建processEngine
ProcessEngine processEngine = ProcessEngines.getDefaultProcessEngine();
System.out.println(processEngine);
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
2 一般创建方式


//先构建ProcessEngineConfiguration
ProcessEngineConfiguration configuration = ProcessEngineConfiguration.createProcessEngineConfigurationFromResource("activiti.cfg.xml");
//通过ProcessEngineConfiguration创建ProcessEngine,此时会创建数据库
ProcessEngine processEngine = configuration.buildProcessEngine();

以上获取的processEngine对象,这个对象里面有好多的方法,利用这些方法就可以操作25张表了

2.3 操作历史表的实体类------HistoryService

这个对象里面,一共有15个方法进行操作25张表

2.3.1 获取HistoryService的方法getHistoryService()

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//      获取引擎
        ProcessEngine processEngine = ProcessEngines.getDefaultProcessEngine();
        HistoryService historyService = processEngine.getHistoryService();

2.3.2 创建历史任务实例对象createHistoricTaskInstanceQuery()

操作act_hi_taskinst这个表

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        创建历史任务实例对象
        HistoricTaskInstanceQuery historicTaskInstanceQuery = historyService.createHistoricTaskInstanceQuery();

得到这个对象,我们可以理解为,得到了act_hi_taskinst这个表的对象;这个对象里面有好多的方法,可以操作这个表

2.3.1.1 processDefinitionKey()

HistoricTaskInstanceQuery这个对象里面有这个方法,这个方法就是可以限制查询哪个流程定义,参数是流程定义的key

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 HistoricTaskInstanceQuery qingjia1 = historicTaskInstanceQuery.processDefinitionKey("qingjia");
2.3.1.2 taskAssignee()

根据用户id,查询属于当前用户的任务,参数是前端传过来的用户的id

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        HistoricTaskInstanceQuery qingjia1 = historicTaskInstanceQuery.taskAssignee(id + "");
2.3.1.3 taskNameLike()

act_hi_taskinst这个表里面有一个name字段,当前任务的名称,我们可以根据这个字段进行模糊查询

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        HistoricTaskInstanceQuery qingjia1 = historicTaskInstanceQuery.taskNameLike("%审批%");
2.3.1.4 listPage(page, rows)

分页查询act_hi_taskinst这个表里面的数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  List<HistoricTaskInstance> historicTaskInstances = historicTaskInstanceQuery.listPage(page, rows);

之后就可以变量这个list集合,拿到的就是这个表里面一行一行的数据对象

2.3.1.5 finished()

查询已经完成的任务,就是endTime字段有值的数据,相当于查询已经审核完成的数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
HistoricTaskInstanceQuery finished = 
historicTaskInstanceQuery.finished();
2.3.1.6 orderByHistoricTaskInstanceEndTime()

act_hi_taskinst这个表里面有个endTime字段,完成的任务,这个字段就有值,可以根据这个字段进行排序

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        List<HistoricTaskInstance> historicTaskInstances = historicTaskInstanceQuery.orderByHistoricTaskInstanceEndTime().asc().listPage(page, rows);

2.3.3 创建流程实例对象createHistoricProcessInstanceQuery()

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  //            查询历史流程实例对象
        HistoricProcessInstanceQuery hisquery = processEngine.getHistoryService().createHistoricProcessInstanceQuery();

拿到这个对象,就可以操作act_hi_procinst这个表

2.3.3.1 processDefinitionKey()

根据流程定义的id查询创建的流程实例

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
HistoricProcessInstanceQuery qingjia3 = hisquery.processDefinitionKey("qingjia");
2.3.3.2 processInstanceBusinessKey()

根据业务id,查询当前业务下创建的流程实例

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        根据流程定义id,流程BusinessKey的业务值,获取当前业务单的审批流程
        HistoricProcessInstanceQuery qingjia3 = hisquery.processInstanceBusinessKey(id + "");
2.3.3.3 list()

查询有多少个流程实例

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        List<HistoricProcessInstance> qingjia2 = hisquery.processDefinitionKey("qingjia").processInstanceBusinessKey(id + "").list();
2.3.3.4 getEndActivityId()

判断当前流程实例是否已经走完;为null就是没有走完; 这个获取的就是当前流程结束的节点的活动id

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  for(HistoricProcessInstance item: qingjia2){
//                getEndActivityId   判断当前流程实例是否完成,如果没有完成,不能创建
                if(item.getEndActivityId() == null){
                    System.out.println("不能重复提交申请单");
                }
            }

2.3.4 创建流程活动对象createHistoricActivityInstanceQuery()

拿到操作act_hi_actinst 这个表的对象,这个表里面的各个节点都有

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
            HistoricActivityInstanceQuery historicActivityInstanceQuery = historyService.createHistoricActivityInstanceQuery();
2.3.4.1 activityId()

根据查询出来的流程结束的节点id,查询最后一个数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 HistoricActivityInstanceQuery historicActivityInstanceQuery = historyService.createHistoricActivityInstanceQuery().activityId(endActivityId);
2.3.4.2 list()
代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//            根据最后节点的id,获取任务   ,其实只有一个,但是这里使用了list,是没有找到获取单个的方法
            List<HistoricActivityInstance> list1 = historyService.createHistoricActivityInstanceQuery().activityId(endActivityId).list();
            HistoricActivityInstance historicActivityInstance = list1.get(0);
2.3.4.3 getActivityName()

获取act_hi_actinst 这个表的name字段,获取最后节点的名称

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  String activityName = historicActivityInstance.getActivityName();//获取最后节点的名称

2.4 操作流程部署与定义------ RepositoryService

这个类里面一共有46个方法,需要我们学习

2.4.1 getRepositoryService()

使用这个方法获取到RepositoryService对象,用这个对象里面的各种各样的方法操作25张表

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        获取processEngine
        ProcessEngine processEngine = ProcessEngines.getDefaultProcessEngine();
//        获取repositoryService
        RepositoryService repositoryService = processEngine.getRepositoryService();

2.4.2 createDeploymentQuery()

创建查询部署的对象,可以理解为查询 act_re_deployment

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
DeploymentQuery deploymentQuery = repositoryService.createDeploymentQuery();

2.4.3 list( )

创建查询部署的对象,可以理解为查询 act_re_deployment

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  List<Deployment> list = repositoryService.createDeploymentQuery().list();
   for(Deployment dep : list){
            System.out.println("Id:"+dep.getId());
            System.out.println("Name:"+dep.getName());
            System.out.println("DeploymentTime:"+dep.getDeploymentTime());
            System.out.println("Key:"+dep.getKey());
        }

2.4.4 createProcessDefinitionQuery()

使用这个方法,创建流程定义对象; 相当于操作这个表act_re_procdef

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
ProcessDefinitionQuery processDefinitionQuery = repositoryService.createProcessDefinitionQuery();

2.4.5 list()

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
  List<ProcessDefinition> list = repositoryService.createProcessDefinitionQuery()
                .list();

2.5 操作流程运行------ RuntimeService

这个类里面一共有100个方法,需要我们学习

2.5.1 getRuntimeService()

使用这个方法获取到RuntimeService对象,用这个对象里面的各种各样的方法操作25张表

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        1、得到ProcessEngine
        ProcessEngine processEngine = ProcessEngines.getDefaultProcessEngine();
//        2、得到RunTimeService
        RuntimeService runtimeService = processEngine.getRuntimeService();

2.5.2 startProcessInstanceByKey()

根据runtimeService对象,创建流程实例,就是根据这个方法

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 //初始化流程实例
    @Test
    public void initProcessInstance(){
        //1、获取页面表单填报的内容,请假时间,请假事由,String fromData
        //2、fromData 写入业务表,返回业务表主键ID==businessKey
        //3、把业务数据与Activiti7流程数据关联
        ProcessInstance processInstance = runtimeService.startProcessInstanceByKey("myProcess_claim","bKey002");
        System.out.println("流程实例ID:"+processInstance.getProcessDefinitionId());

    }

2.5.3 createProcessInstanceQuery()

获取流程实例查询对象

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        ProcessInstanceQuery processInstanceQuery = runtimeService.createProcessInstanceQuery();

2.5.4 list()

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 List<ProcessInstance> list = runtimeService.createProcessInstanceQuery().list();

获取流程实例list集合

2.5.5 suspendProcessInstanceById()

挂起流程实例,传参是流程实例的id

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
runtimeService.suspendProcessInstanceById("73f0fb9a-ce5b-11ea-bf67-dcfb4875e032");

2.5.6 activateProcessInstanceById()

激活流程实例,传参是流程实例的id

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
 runtimeService.activateProcessInstanceById("73f0fb9a-ce5b-11ea-bf67-dcfb4875e032");

2.5.7 deleteProcessInstance()

删除流程实例

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//删除流程实例
    @Test
    public void delProcessInstance(){
        runtimeService.deleteProcessInstance("45b8b797-ba0c-11ec-8af3-e02be94c81b8","删着玩");
        System.out.println("删除流程实例");
    }

其他数据会删除,但是会在历史表保存

2.6 操作任务------ TaskService

这个类里面一共有88个方法,需要我们学习

2.6.1 getTaskService()

使用这个方法获取到TaskService对象,用这个对象里面的各种各样的方法操作act_ru_task这个表,就是操作运行的任务表

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        获取引擎
        ProcessEngine processEngine = ProcessEngines.getDefaultProcessEngine();
//        获取操作任务的服务 TaskService
        TaskService taskService = processEngine.getTaskService();
2.6.1.1 createTaskQuery( )

创建查询对象

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
TaskQuery taskQuery = taskService.createTaskQuery();
2.6.1.2 taskId()

act_ru_task这个表里面根据任务id查询数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        //根据任务id查询任务表
        TaskQuery taskQuery1 = taskQuery.taskId(taskid + "");
2.6.1.3 singleResult()

获取单个数据

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
Task task = taskQuery1.singleResult();
2.6.1.4 getAssignee()

获取act_ru_task这个表单个数据的操作人

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//        获取当前任务的  处理人
        String assignee = task.getAssignee();
2.6.1.5 addComment()

// 添加审批意见

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//  设置审批意见的审批人,  这个必须写
        Authentication.setAuthenticatedUserId(userid+"");
//        添加审批意见
taskService.addComment(taskid+"",task.getProcessInstanceId(),comment);;

第一个参数是当前任务的id 第二个参数是当前任务的流程实例id 第三个参数是前端传过来的审批意见

评论会写到act_hi_comment这个表,谁评论的也会在这个表里面设置

2.6.1.6 complete()

第一个是任务id,第二个是当前任务里面的变量需要设置值,所以使用map给变量设置值

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
        Map<String, Object> map = new HashMap<String, Object>();
        map.put("agree",agree);


taskService.complete(taskid+"",map);
2.6.1.7 拾取任务方法 claim()

拾取任务,第一个参数是任务id,第二个参数是候选人名字

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
    //拾取任务
    @Test
    public void claimTask(){
        Task task = taskService.createTaskQuery().taskId("f5c87a6e-ba27-11ec-89da-e02be94c81b8").singleResult();
        taskService.claim("f5c87a6e-ba27-11ec-89da-e02be94c81b8","wukong");
    }
2.6.1.8 归还与交办任务 setAssignee()

其实就是设置候选人,这个候选人不一定是在流程图里面设置的,随便一个人就可以;

代码语言:javascript
代码运行次数:0
运行
AI代码解释
复制
//归还与交办任务
    @Test
    public void setTaskAssignee(){
        Task task = taskService.createTaskQuery().taskId("f5c87a6e-ba27-11ec-89da-e02be94c81b8").singleResult();
        //归还候选任务
        taskService.setAssignee("f5c87a6e-ba27-11ec-89da-e02be94c81b8",null);
        //交办,其实就是设置执行人
//        taskService.setAssignee("f5c87a6e-ba27-11ec-89da-e02be94c81b8","wukong");
    }
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022-05-26,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
NeurIPS 2021:半监督节点分类中的拓扑不平衡学习
Topology-Imbalance Learning for Semi-Supervised Node Classifification
Houye
2021/11/17
9340
NeurIPS 2021:半监督节点分类中的拓扑不平衡学习
FBRT-YOLO:面向实时航拍图像检测的轻量高效目标检测框架
具备视觉能力的嵌入式飞行设备在众多应用中变得至关重要。在航空图像检测领域,尽管许多现有方法已部分解决了小目标检测的问题,但在优化小目标检测以及平衡检测精度与效率方面仍面临挑战。这些问题是实时航空图像检测发展的关键障碍。在本文中,我们提出了一系列新的用于航空图像检测的实时检测器,命名为FBRT-YOLO,旨在解决检测精度与效率之间的不平衡问题。我们的方法包含两个轻量级模块:特征互补映射模块(FCM)和多核感知单元(MKP),旨在增强航空图像中小目标的物体感知能力。FCM侧重于缓解深层网络中小目标信息丢失导致的信息不平衡问题。它旨在将目标的空间位置信息更深入地集成到网络中,更好地与深层语义信息对齐,以提高小目标的定位精度。我们引入了MKP,它利用不同大小的卷积核来增强不同尺度目标之间的关系,并提高对不同尺度目标的感知能力。在Visdrone、UAVDT和AI-TOD等三个主要航空图像数据集上的广泛实验结果表明,FBRT-YOLO在性能和速度方面均优于各种实时检测器。代码将在https://github.com/galaxy-oss/FCM上提供。
AI浩
2025/06/11
1070
FBRT-YOLO:面向实时航拍图像检测的轻量高效目标检测框架
今日 Paper | 社交媒体谣言检测;连续手语识别;细粒度服装相似性学习;混合图神经网络等
论文名称:Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
AI科技评论
2020/02/24
7730
今日 Paper | 社交媒体谣言检测;连续手语识别;细粒度服装相似性学习;混合图神经网络等
Arxiv机器学习论文摘要10篇(2019-7-17)
原文标题:Two-stage Optimization for Machine Learning Workflow
Jarvis Cocker
2019/07/17
1.2K0
【NeurIPS】四篇好文简读-专题9
Language models enable zero-shot prediction of the effects of mutations on protein function 论文摘要:
智能生信
2022/05/23
5590
【NeurIPS】四篇好文简读-专题9
ECCV 2022 | PTSEFormer : 针对视频目标检测的渐进式时空增强模型
近年来出现了一种应用上下帧来提高检测的性能的研究趋势,即视频目标检测。现有的方法通常会融合时序特征以增强检测性能。然而,这些方法通常缺乏来自相邻帧的空间信息,并且存在特征融合不足的问题。
用户1324186
2022/11/07
2K0
ECCV 2022 | PTSEFormer : 针对视频目标检测的渐进式时空增强模型
COLING2022 | 角色感知的渐进式谣言判别框架
每天给你送来NLP技术干货! ---- ©作者 | 社媒派SMP 来源 | 社媒派SMP 排版 | PaperWeekly 论文标题: A Progressive Framework for Role-Aware Rumor Resolution 论文作者: 陈蕾(复旦大学),李冠颖(复旦大学),魏忠钰(复旦大学),杨洋(浙江大学),周葆华(复旦大学),张奇(复旦大学),黄萱菁(复旦大学) 收录会议: The 29th International Conference on Computational L
zenRRan
2022/09/13
5600
COLING2022 | 角色感知的渐进式谣言判别框架
创造家庭大和谐,用 AI 给爹妈做个辟谣助手
这些标题在具有一定科学素养的年轻人看来,根本不用点开,就知道是谣言或者过度夸张,但这些文章却在父母辈的微信群和朋友圈里每天疯传着。
HyperAI超神经
2019/11/30
3820
一文了解复旦大学DISC实验室4篇COLING 2022论文内容
每天给你送来NLP技术干货! ---- 来自:复旦DISC COLING 2022 国际计算语言学大会 (Inteational Conference on Computational Linguistics,COLING),是自然语言处理和计算语言学领域的重要国际学术会议,每两年召开一次,1965年第一届召开以来,COLING已成功地举办了29届。2022年秋季, COLING将以混合形式在韩国庆州举行, 所有参与者都可以在会场现场或虚拟加入。 在COLING 2022中, 复旦大学数据智能与社会计算
zenRRan
2022/08/26
1.1K0
一文了解复旦大学DISC实验室4篇COLING 2022论文内容
你的模型是不是换个场景就不行了?CAT 的完美设计解决类内偏差,场景自适应的目标检测就这么诞生了
Foggy Cityscapes数据集上,作者获得了52.5 mAP,相比于最先进方法的51.2 mAP,这是一个显著的提升。
集智书童公众号
2024/04/25
7950
你的模型是不是换个场景就不行了?CAT 的完美设计解决类内偏差,场景自适应的目标检测就这么诞生了
智慧工地:2PCNet,昼夜无监督域自适应目标检测(附原代码)
由于缺乏夜间图像注释,夜间目标检测是一个具有挑战性的问题。尽管有几种领域自适应方法,但实现高精度结果仍然是一个问题。
计算机视觉研究院
2023/09/20
5991
智慧工地:2PCNet,昼夜无监督域自适应目标检测(附原代码)
计算机视觉最新进展概览(2021年7月11日到2021年7月17日)
自动驾驶汽车的目标检测通常基于摄像头图像和激光雷达输入,通常用于训练深度人工神经网络等预测模型,用于目标识别决策、速度调节等。 这种决策中的一个错误可能是破坏性的; 因此,通过不确定性测度来衡量预测模型决策的可靠性至关重要。 在深度学习模型中,不确定性通常用于衡量分类问题。 然而,自动驾驶中的深度学习模型往往是多输出回归模型。 因此,我们提出了一种新的方法,即预测表面不确定度(PURE)来测量这类回归模型的预测不确定度。 我们将目标识别问题表述为一个具有多个输出的回归模型,用于在二维摄像机视图中寻找目标位置。 为了进行评估,我们修改了三个广泛应用的目标识别模型(即YoLo、SSD300和SSD512),并使用了KITTI、Stanford Cars、Berkeley DeepDrive和NEXET数据集。 结果显示,预测面不确定性与预测精度之间存在显著的负相关关系,表明不确定性对自动驾驶决策有显著影响。
狼啸风云
2021/07/20
5840
ICML2020 | Self-PU learning:把三个自监督技巧扔进PU learning
今天给大家介绍的是德州农工大学Xuxi Chen等人在ICML2020上发表的一篇名为“Self-PU: Self Boosted and Calibrated Positive-Unlabeled Training”的文章。许多现实世界的应用领域必须解决Positive-Unlabeled (PU) learning问题,即从大量的无标记数据和少数有标记的正示例中训练一个二分类器。虽然目前最先进的方法采用了重要性重加权来设计各种风险估计器,但它们忽略了模型本身的学习能力,而这本来可以提供可靠的监督。这促使作者提出了一种新型的Self-PU learning框架,该框架将PU learning与self-training无缝结合。self- PU learning包含了三个self导向的模块:自适应地发现和增强确信的正/负例子的self-paced训练算法; self-calibrated实例感知损失;以及一个引入教师-学生学习作为PU学习有效正则化的self-distillation方案。作者在通用PU learning基准(MNIST和CIFAR-10)上展示了Self-PU的最先进性能,与最新的竞争对手相比具有优势。此外,还研究了PU学习在现实世界中的应用,即对阿尔茨海默病的脑图像进行分类。与现有方法相比,Self-PU在著名的阿尔茨海默病神经成像(ADNI)数据库上获得了显著改进的结果。
智能生信
2021/05/17
2.8K0
ICML2020 | Self-PU learning:把三个自监督技巧扔进PU learning
[一周论文精选] 5篇值得读的GNN论文
本期为大家推荐5篇论文,论文主题涉及到当前研究最新动向,如异质图上的新基准,能够平衡不类别节点数量的最新GNN模型,GNN同MLP模型的对比,解决图表示学习关于异构性、归纳性和效率问题的方法,图表示学习的GNN的外推分析等。
Houye
2021/04/22
1.3K0
[一周论文精选] 5篇值得读的GNN论文
Bioinformatics|MolFeSCue:基于小样本对比学习增强有限和不平衡数据下的分子性质预测
2024年2月29日,吉林大学周丰丰教授团队在Bioinformatics上发表文章MolFeSCue: enhancing molecular property prediction in data-limited and imbalanced contexts using few-shot and contrastive learning。
智药邦
2024/04/28
5300
Bioinformatics|MolFeSCue:基于小样本对比学习增强有限和不平衡数据下的分子性质预测
CoVLM:利用视觉语言模型的共识进行半监督多模态假新闻检测 !
社交媒体上的假新闻蔓延使得假新闻检测成为保持信息完整性的关键任务,保护公共言论,并防止信任侵蚀[1]。生成假新闻的越来越受欢迎的方法是将真实图像与误导/不正确的标题配对,因为这样需要最小的努力和技术专业知识。图1展示了来自基准新闻CLIPings数据集[4]的真实和假图像-文本配对的一些例子。假新闻通常在视觉内容和伴随文本之间存在差异,而真实新闻则往往在图像和文本之间具有连贯的关系。
未来先知
2024/11/06
2810
CoVLM:利用视觉语言模型的共识进行半监督多模态假新闻检测 !
万字长文带你解读『虚假新闻检测』最新进展
互联网时代,假新闻铺天盖地,而且极具迷惑性,因此假新闻检测任务对逻辑的判断,以及常识的学习都需要很高的要求。今天和大家分享『虚假新闻检测』相关研究进展,包括创新点、改进点等
NewBeeNLP
2021/01/18
2.4K0
基于连接感知的实时困倦分类图神经网络
疲劳驾驶是导致交通事故的主要原因之一。脑电图(EEG)是一种直接从大脑活动中检测睡意的方法,已广泛用于实时检测驾驶员的睡意。最近的研究表明,使用基于脑电图数据构建的大脑连接图来预测困倦状态的巨大潜力。然而,传统的脑连接网络与下游预测任务无关。本文提出了一种使用自注意机制的连接感知图神经网络(CAGNN),该网络可以通过端到端训练生成与任务相关的连接网络。
是Dream呀
2025/03/16
560
基于连接感知的实时困倦分类图神经网络
半监督学习将再度兴起!谷歌祭出大杀器:无监督数据增强
近日,谷歌AI发布了一篇博文,博文指出可以对无标注数据执行数据增强,从而显著提高了半监督学习(SSL)的性能,因此研究人员相信"半监督学习将再度兴起!"
磐创AI
2019/07/17
1.1K0
半监督学习将再度兴起!谷歌祭出大杀器:无监督数据增强
用飞桨检测谣言,新技能get!
https://aistudio.baidu.com/aistudio/projectdetail/263255
用户1386409
2020/03/04
8070
推荐阅读
NeurIPS 2021:半监督节点分类中的拓扑不平衡学习
9340
FBRT-YOLO:面向实时航拍图像检测的轻量高效目标检测框架
1070
今日 Paper | 社交媒体谣言检测;连续手语识别;细粒度服装相似性学习;混合图神经网络等
7730
Arxiv机器学习论文摘要10篇(2019-7-17)
1.2K0
【NeurIPS】四篇好文简读-专题9
5590
ECCV 2022 | PTSEFormer : 针对视频目标检测的渐进式时空增强模型
2K0
COLING2022 | 角色感知的渐进式谣言判别框架
5600
创造家庭大和谐,用 AI 给爹妈做个辟谣助手
3820
一文了解复旦大学DISC实验室4篇COLING 2022论文内容
1.1K0
你的模型是不是换个场景就不行了?CAT 的完美设计解决类内偏差,场景自适应的目标检测就这么诞生了
7950
智慧工地:2PCNet,昼夜无监督域自适应目标检测(附原代码)
5991
计算机视觉最新进展概览(2021年7月11日到2021年7月17日)
5840
ICML2020 | Self-PU learning:把三个自监督技巧扔进PU learning
2.8K0
[一周论文精选] 5篇值得读的GNN论文
1.3K0
Bioinformatics|MolFeSCue:基于小样本对比学习增强有限和不平衡数据下的分子性质预测
5300
CoVLM:利用视觉语言模型的共识进行半监督多模态假新闻检测 !
2810
万字长文带你解读『虚假新闻检测』最新进展
2.4K0
基于连接感知的实时困倦分类图神经网络
560
半监督学习将再度兴起!谷歌祭出大杀器:无监督数据增强
1.1K0
用飞桨检测谣言,新技能get!
8070
相关推荐
NeurIPS 2021:半监督节点分类中的拓扑不平衡学习
更多 >
LV.2
腾讯云产品组员工
目录
  • 目录
  • 1 背景
  • 2 各个api
    • 2.1 引擎对象里面的方法
    • 2.2 创建工作流引擎-------getDefaultProcessEngine()
    • 2.3 操作历史表的实体类------HistoryService
      • 2.3.1 获取HistoryService的方法getHistoryService()
      • 2.3.2 创建历史任务实例对象createHistoricTaskInstanceQuery()
      • 2.3.3 创建流程实例对象createHistoricProcessInstanceQuery()
      • 2.3.4 创建流程活动对象createHistoricActivityInstanceQuery()
    • 2.4 操作流程部署与定义------ RepositoryService
      • 2.4.1 getRepositoryService()
      • 2.4.2 createDeploymentQuery()
      • 2.4.3 list( )
      • 2.4.4 createProcessDefinitionQuery()
      • 2.4.5 list()
    • 2.5 操作流程运行------ RuntimeService
      • 2.5.1 getRuntimeService()
      • 2.5.2 startProcessInstanceByKey()
      • 2.5.3 createProcessInstanceQuery()
      • 2.5.4 list()
      • 2.5.5 suspendProcessInstanceById()
      • 2.5.6 activateProcessInstanceById()
      • 2.5.7 deleteProcessInstance()
    • 2.6 操作任务------ TaskService
      • 2.6.1 getTaskService()
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档