跳表是由William Pugh发明。他在 Communications of the ACM June 1990, 33(6) 668-676 发表了Skip lists: a probabilistic alternative to balanced trees，在该论文中详 细解释了跳表的数据结构和插入删除操作。

1. 博客：PostgreSQL的学习心得和知识总结（一百零八）|语法级自上而下完美实现PostgreSQL数据库的 常规表Insert操作跳过WAL记录 的实现方案 2. https://rng-songbaobao.blog.csdn.net/article/details/127320422

在高效视频编码（HEVC）中，SKIP.mode是一种高效的帧间预测工具，具有较高的编码性能，较低的复杂度。 本文提出了一种早期的SKIP.mode决策算法来加速编码过程。 以SKIP模式的速率失真成本（RD-cost）作为决策标准。 采用非参数密度估计方案将SKIP RD成本分布空间划分为高区分区域（HDR）和低区分区域（LDR）。 对于给定的编码单位（CU），如果SKIP RDcost。落入HDR，则将SKIP模式直接选择为最佳模式。 如果RD成本映射到LDR，则采用贝叶斯风险最小化规则来确保RD性能。 统计参数根据不同的QP和CU深度进行更新。 实验结果表明，所提出的算法可以减少47％的编码时间，而平均仅增加BD-bitrate的0.34％。

MongoDB的Limit与Skip方法.pdf 学习资料 复习资料 教学资源

论文原文 Skip-Thought Vectors 论文信息 NIPS2015 个人解读 Wang & Hytn Chen 更新时间 2020-02-17 句子表示简介 句子分布式表示：将一句话用固定长度的向量进行表示，向量往往高维，因此也可看作将一句话嵌入进高维空间中去，也叫做句嵌入，让句子的语义更准确地编码到有限维的向量中，在向量子空间中保持句子的语义关系，更好地利用语言模型以及无监督上下文信息。 BERT出来之后，句表示领域就很少出来工作了，而这篇文章是BERT借鉴的一篇工作。 早期一点的句表示值得一提的是TF-IDF，中心思想是认为一句话每一个词对于这句话的语义都

在文本分类中，基于Word2Vec词向量的文本表示忽略了词语区分文本的能力，设计了一种用TF-IDF加权词向量的卷积神经网络（CNN）文本分类方法.新闻文本分类，一般只考虑正文，忽略标题的重要性，改进了TF-IDF计算方法，兼顾了新闻标题和正文.实验表明，基于加权词向量和CNN的新闻文本分类方法比逻辑回归分类效果有较大提高，比不加权方法也有一定的提高.

跳过ganomaly 该存储库包含以下论文的PyTorch实现：跳过GANomaly：跳过已连接并经过对抗训练的编码器-解码器异常检测 1.目录 2.安装 首先克隆存储库git clone https://github.com/samet-akcay/skip-ganomaly.git 通过conda创建虚拟环境conda create -n skipganomaly python=3.7 激活虚拟环境。 conda activate skipganomaly 安装依赖项。 pip install --user --requirement requirements.txt 3.实验 要在纸上复制CIFAR10数据集的结果，请运行以下命令： # CIFAR sh experiments/run_cifar.sh 4.培训 要列出参数，请运行以下命令： python train.py

连续词袋（CBOW） NLP中使用深度学习经常使用连续词袋（CBOW）和Skip-gram模型。 给定目标词之前和之后的上下文词范围N，它会尝试预测当前（目标）词。 此代码是PyTorch教程在以下链接的Word Embeddings的“获取密集的词嵌入”中给出的练习的实现： https://pytorch.org/tutorials/beginner/nlp/word_embeddings_tutorial.html#getting-dense-word-embeddings 参考 有关单词嵌入的进一步研究，请阅读以下文章： 向量空间中单词表示的有效估计 word2vec解释：推导Mikolov等人的负采样词嵌入方法 单词和短语的分布式表示形式及其组成

word2vec中的数学原理详解，pdf高清版，学习Word2Vec最好的材料，Word2Vec看这个就够了。

word2vec Skip-Gram模型的简单实现 包括预料库 从维基百科提取出来的 。代码是python3的，可以直接运行。