最近在学习做微服务的项目，总结了一些平常没有注意到的细节，记录于此1.实体类的字段数据类型都使用包装类型实体类涉及到的属性如果是int这样的基本数据类型，那么要使用其包装类型，因为包装类型默认为null，而基本数据类型会有默认值，比如int的默认值为0publicclassHello{publicstaticvoidmain(String[]args){TestClasstestClass=newTestClass();System.out.println(testClass.a);System.out.println(testClass.b);}}classTestClass{inta;In

作者：京东物流王北永姚再毅1背景日常开发过程中，尤其在DDD过程中，经常遇到VO/MODEL/PO等领域模型的相互转换。此时我们会一个字段一个字段进行set|get设置。要么使用工具类进行暴力的属性拷贝，在这个暴力属性拷贝过程中好的工具更能提高程序的运行效率，反之引起性能低下、隐藏细节设置OOM等极端情况出现。2现有技术直接set|get方法：字段少时还好，当字段非常大时工作量巨大，重复操作，费时费力。通过反射+内省的方式实现值映射实现：比如许多开源的apache-common、spring、hutool工具类都提供了此种实现工具。这种方法的缺点就是性能低、黑盒属性拷贝。不同工具类的处理又有区

作者：京东物流王北永姚再毅1背景日常开发过程中，尤其在DDD过程中，经常遇到VO/MODEL/PO等领域模型的相互转换。此时我们会一个字段一个字段进行set|get设置。要么使用工具类进行暴力的属性拷贝，在这个暴力属性拷贝过程中好的工具更能提高程序的运行效率，反之引起性能低下、隐藏细节设置OOM等极端情况出现。2现有技术直接set|get方法：字段少时还好，当字段非常大时工作量巨大，重复操作，费时费力。通过反射+内省的方式实现值映射实现：比如许多开源的apache-common、spring、hutool工具类都提供了此种实现工具。这种方法的缺点就是性能低、黑盒属性拷贝。不同工具类的处理又有区

命名实体识别什么是命名实体识别？NER研究的命名实体NER研究目前所遇到的问题命名实体识别的主要方法：基于条件随机场的命名实体识别常用的NER模型1、SpacyNER模型2、斯坦福命名实体识别器中文人名识别中文姓名的构成规律姓名的上下文环境分析Hanlp进行人名识别demo地名识别中文地名构成基于Hanlp进行地名识别demo参考书籍什么是命名实体识别？与自动分词、词性标注一样，命名实体识别也是自然语言处理的一个基础任务，是信息抽取、信息检索、机器翻译、问答系统等多种自然语言处理技术必不可少的组成部分。其目的是识别语料中人名、地名、组织机构名等命名实体。由于这些命名实体数量不断增加，通常不可能

命名实体识别什么是命名实体识别？NER研究的命名实体NER研究目前所遇到的问题命名实体识别的主要方法：基于条件随机场的命名实体识别常用的NER模型1、SpacyNER模型2、斯坦福命名实体识别器中文人名识别中文姓名的构成规律姓名的上下文环境分析Hanlp进行人名识别demo地名识别中文地名构成基于Hanlp进行地名识别demo参考书籍什么是命名实体识别？与自动分词、词性标注一样，命名实体识别也是自然语言处理的一个基础任务，是信息抽取、信息检索、机器翻译、问答系统等多种自然语言处理技术必不可少的组成部分。其目的是识别语料中人名、地名、组织机构名等命名实体。由于这些命名实体数量不断增加，通常不可能

参考：NLP系列之封闭域联合抽取：CasRel、TPLinker、PRGC、PURE、OneRel，实在是太卷了！-知乎(zhihu.com)NLP关系抽取—概念、入门、论文、总结 TPlinker论文：PLinker:Single-stageJointExtractionofEntitiesandRelationsThroughTokenPairLinking代码：https://github.com/131250208/TPlinker-joint-extraction论文解读（作者）：关系重叠？实体嵌套？曝光偏差？这个模型统统都搞得定！(qq.com) 关系抽取之TPLinker解读加源

参考：NLP系列之封闭域联合抽取：CasRel、TPLinker、PRGC、PURE、OneRel，实在是太卷了！-知乎(zhihu.com)NLP关系抽取—概念、入门、论文、总结 TPlinker论文：PLinker:Single-stageJointExtractionofEntitiesandRelationsThroughTokenPairLinking代码：https://github.com/131250208/TPlinker-joint-extraction论文解读（作者）：关系重叠？实体嵌套？曝光偏差？这个模型统统都搞得定！(qq.com) 关系抽取之TPLinker解读加源

本文收录于《深入浅出讲解自然语言处理》专栏，此专栏聚焦于自然语言处理领域的各大经典算法，将持续更新，欢迎大家订阅！个人主页：有梦想的程序星空个人介绍：小编是人工智能领域硕士，全栈工程师，深耕Flask后端开发、数据挖掘、NLP、Android开发、自动化等领域，有较丰富的软件系统、人工智能算法服务的研究和开发经验。如果文章对你有帮助，欢迎关注、点赞、收藏、订阅。关系抽取的背景和定义        关系抽取（RelationExtraction，简称RE）的概念是1988年在MUC大会上提出，是信息抽取的基本任务之一，目的是为了识别出文本实体中的目标关系，是构建知识图谱的重要技术环节。     

本文收录于《深入浅出讲解自然语言处理》专栏，此专栏聚焦于自然语言处理领域的各大经典算法，将持续更新，欢迎大家订阅！个人主页：有梦想的程序星空个人介绍：小编是人工智能领域硕士，全栈工程师，深耕Flask后端开发、数据挖掘、NLP、Android开发、自动化等领域，有较丰富的软件系统、人工智能算法服务的研究和开发经验。如果文章对你有帮助，欢迎关注、点赞、收藏、订阅。关系抽取的背景和定义        关系抽取（RelationExtraction，简称RE）的概念是1988年在MUC大会上提出，是信息抽取的基本任务之一，目的是为了识别出文本实体中的目标关系，是构建知识图谱的重要技术环节。     

什么是ER图？实体关系（ER）图是一种流程图，用于说明“实体”（如人、对象或概念）如何在系统中相互关联。ER图最常用于设计或调试软件工程、商业信息系统、教育和研究领域的关系数据库。也称为ERD或ER模型，它们使用一组定义的符号，如矩形、菱形、椭圆形和连接线来描绘实体、关系及其属性的相互联系。它们反映了语法结构，实体作为名词，关系作为动词。ER图与数据结构图（DSD）相关，后者侧重于实体内元素的关系，而不是实体本身之间的关系。ER图还经常与数据流图（DFD）结合使用，后者绘制流程或系统的信息流。ER模型的历史PeterChen（又名PeterPin-ShanChen）目前是匹兹堡卡内基梅隆大学的