路径分析

用户在产品中的行为其实是个黑盒子，全行为路径是用全局视野看用户的行为轨迹，很多时候你会有意想不到的收获，在可视化的过程中有两个模型，一个是树形图、一个是太阳图，今天我们将继续解读八大数据分析模型之——全行为路径分析，让你快速直观看到用户如何在使用你的产品。 一、行为路径分析 单体洞察、用户分群、行为路径分析是用户行为数据分析的三大利器。单体洞察满足了我们对单个用户的特征洞察，用户分群满足了我们对全量用户或某一特征人群的洞察，而行为路径分析是对用户产生的行为数据的可视化分析模型，某一人群交叉行为路径分析模型，可以快速洞察到这一群体的行为特征。常用的行为路径分析模型有漏斗分析模型和全行为路径分析模型。 在分析既定的行为路径转化时，我们会采用漏斗分析模型，你会看到用户在我们设定的路径中的每一步转化，比如从查看商品详情到最终支付成功每一步的转化率，从而对既定路径不断调优。 图1：注册转化漏斗 但是，用户在产品内的行为路径可以说是个黑盒子，界面内的每一个按钮、信息都会影响用户的下一行为。为此，我们需要拥有一个更高的视野去俯视用户的行为，打开这个黑盒子，而这一分析模型就是全行为路径分析模型。 二、全行为路径分析模型 全行为路径分析是互联网产品特有的一类数据分析方法，它主要根据每位用户在App或网站中的行为事件，分析用户在App或网站中各个模块的流转规律与特点，挖掘用户的访问或浏览模式

比如，之前在知乎上看到有人问： 1、漏斗，统计的是人数？还是次数？ 2、如何构建漏斗模型？要将浏览→完成交易中的每步都列出来吗？ 3、有哪些分析场景？ 今天我们就来一起捋捋常见的数据分析方法——漏斗分析模型，同时逐一回答上述问题。 一、什么是漏斗分析模型 漏斗分析模型，简单来讲，就是抽象产品中的某一流程，观察流程中每一步的转化与流失。 比如：教育培训类产品的用户，从首页进入到最终完成支付的行为，大多需要经过搜索课程，查看课程详情、点击购买、立即支付、支付成功，我们需要将按照流程操作的用户进行各个转化层级上的监控，寻找每个层级的可优化点；对没有按照流程操作的用户绘制他们的转化路径，找到可提升用户体验，缩短路径的空间。 这里回答文章开始的第一个问题，通常来讲，漏斗分析都以人数来统计，为什么不按照次数来统计呢？我们看一个例子。 假设某漏斗模型是A→B→C→D，如果用户从A→B再→B再→B（假设A是用户进入课程详情页的次数，B是点击购买的次数，也就是这个人重复添加到支付页面）那漏斗的第二步统计的次数可能会大于第一步统计的次数，这也违背了漏斗分析模型的意义。 以人数来统计，就是次数去重以后基于时间序列的统计。一个用户只要做过从A到B，无论做了多少次，都是一个A到B的转化，当然，这里边有个非常关键的限定，就是转化周期限定，1天，2天，一个会话······也就是用户从A→B发生的时间周期

在我实际涉及的项目中，基本没有遇到多周期路径约束的情况，所以之前关注的不多，为了巩固基本知识，借此梳理这个约束。 1. 目的 目的就是说什么时候需要用到多周期约束？ Vivado、TimeQuest等时序引擎默认是按照单周期关系分析数据关系的，即数据在发起沿发送，在捕获被捕获，发起沿和捕获沿相差一个周期。 但是很多情况是，数据路径逻辑较为复杂，导致延时较大，使得数据无法在一个时钟周期内稳定下来， 或者数据可以在一个时钟周期内稳定下来，但是在数据发送几个周期之后才使用；在这些情况中，设计者的意图都是使数据的有效期从发起沿为起始直至数个周期之后的捕获沿，这样的意图无法被时序分析工具猜度出来，必须由设计者在时序约束中指明；否则时序分析工具会按照单周期路径检查的方式执行，往往会误报出时序违规； 说白了，就是根据用于设计需求，改变原有的时序检查机制，从而避免非真实的时序违例或者时序过紧导致的资源浪费。 2. 单周期时序检查 如上图所示，为时序引擎默认的单周期检查机制。确定建立时间路径和保持时间路径规则如下： 建立时间路径 以第一个发送沿为基准（current launch），再向后寻找距此发送沿最近的一个捕获沿（current capture），并将两者的setup定为1个周期。 保持时间路径 每确定一个建立路径，都会检查两个保持时间路径：1）确保当前发送沿推出的数据不被上一个捕获沿给捕获

软件测试英语专业词汇 NLV：Nation Language Version 本地化版本 FVT：Functional Verification Testing 功能验证测试 TVT：Translation Verification Testing 翻译验证测试 SVT：System Verification Testing 系统验证测试 fault－－故障 在软件中一个错误的表现。 feasible path－－可达路径 可以通过一组输入值和条件执行到的一条路径。 feature testing－－特性测试 参考功能测试（Functional Testing） FMEA－－失效模型效果分析（Failure Modes and Effects Analysis） 可靠性分析中的一种方法，用于在基本组件级别上确认对系统性能有重大影响的失效 FMECA－－失效模型效果关键性分析(Failure Modes and Effects Criticality Analysis) FMEA的一个扩展，它分析了失效结果的严重性。 FTA－－故障树分析(Fault Tree Analysis) 引起一个不需要事件产生的条件和因素的确认和分析，通常是严重影响系统性能、经济性、安全性或其它需要特性。 functional decomposition－－功能分解 参考模块分解（modular

0X00 前言 因为最近看的很多静态检测的论文中涉及到了符号执行的概念，而在我第一次听到符号执行实际上是在我的一些搞二进制学长口中，自然认为是和 web 没啥关系，但是现在看来只是因为我我太菜了，很多知识在更高的层次看起来都是交融的，而不是我现在看到的全部都是互不相关的板块，或许这也就是为什么要读研吧， 不读研那就疯狂努力吧 。好了，废话不多讲了，由于我对符号执行的理解没有达到很高的层次，不能进行更详尽的总结分析 ，故我只能在网上找了一些我个人认为总结的比较好，并且通俗易懂的文章进行一些摘录， 在此之前先对这些优秀的作者表示感谢，文章之后我会附上我引用的文章或者论文的链接。 0X01 通俗地解释符号执行 Wiki中的定义是：在计算机科学中，符号执行技术指的是通过程序分析的方法，确定哪些输入向量会对应导致程序的执行结果为某个向量的方法(绕)。通俗的说， 如果把一个程序比作DOTA英雄，英雄的最终属性值为程序的输出（包括攻击力、防御力、血槽、蓝槽），英雄的武器出装为程序的输入（出A杖还是BKB）。那么符号执行技术的任务就是，给定了一个英雄的最终属性值，分析出该英雄可以通过哪些出装方式达到这种最终属性值效果。 可以发现， 符号执行技术是一种白盒的静态分析技术 。即，分析程序可能的输入需要能够获取到目标源代码的支持。 同时，它是静态的，因为并没有实际的执行程序本身，而是分析程序的执行路径

其他芯片变化相关分析模式 随着制造工艺越来越先进，在时序分析规模不断增大的同时，对时序分析精度的要求也越来越高，因此常规的芯片变化相关分析模式已经无法满足当前更高级的时序分析要求。 本节将介绍两种更高级的芯片变化相关分析模式：高级芯片变化相关分析模式和参数化芯片变化相关分析模式。 高级芯片变化相关 （AOCV） 分析模式 在真实状态下，由于晶圆的片上局部工艺偏差，PVT等因素在单一芯片所造成的影响是随机的，比如在同一条时序路径上，可能有的单元的延时会加快，有的单元的延时会变慢。基于常规的芯片变化相关分析模式的时序分析方法由于使用统一的时序减免值，所以该分析模式存在缺点。基于OCV分析模式的建立时间计算示意图如下所示。 建立时间的计算公式如下： Tlc+Td+Ts＜Tcc+Tp 其中，Tlc为发射时钟最快路径延时值，Td为最快数据路径延时值，Ts为捕获时序单元的建立时间要求值，Tcc为最慢捕获时钟路径延时值，Tp为时钟周期。 时序减免值设置如下： set_timing_derate -early 0.9 set_timing_derate -late 1.1 那么Tlc、Td、Ts的延时会变大，Tcc的延时会加快。其建立时间由于在最快路径和最慢路径中分别使用统一的时序减免值，这样最快路径延时会越来越快，最慢路径延时越来越慢，是时序分析结果过于悲观，这样会导致时序收敛难度加大。

时序减免 时序减免的作用是根据减免系数，静态时序分析工具会在时序路径的每级逻辑门、连线和端口上都加上或减去一个原来延时值乘以减免系数值的延时作为最终的延时结果。设置时序减免值的目的是使时序分析结果更加符合实际情况。静态时序分析工具通过使用命令set_timing_derate来定义时序减免值。 以一条典型的时序路径为例，来介绍建立时间分析中时序减免的作用，如下图所示。 建立时间 的基本计算公式如下式所示。 发射时钟路径延时+最慢数据路延时≤时钟周期+捕获时钟路径延时-终止点时序单元建立时间要求值 当考虑时序减免时，在OCV模式下，上图中建立时间分析结果如下： 发射时钟最慢路径延时=1.2+0.8=2 最慢数据路径延时=5.2 捕获时钟最快路径延时=1.2+0.86=2.06 终止点时序单元建立时间要求值=0.35 为满足时序要求的 最小时钟周期 如下 发射时钟最慢路径延时+最慢数据路径延时-捕获时钟最快路径延时+终止点时序单元建立时间要求值=2+5.2-2.06+0.35=5.49 当设置时序减免值后，其设置如下 set_timing_derate -early 0.9 set_timing_derate -late 1.2 以上时序减免设置定义最快路径延时值在原基础值上再减少10%，最慢路径延时值在原基础上再增加20%。 基于以上设置的减免值，在OCV模式下，图5

两种时序例外 多周期路径   上面我们讲的是时钟周期约束，默认按照单周期关系来分析数据路径，即数据的发起沿和捕获沿是最邻近的一对时钟沿。如下图所示。   默认情况下,保持时间的检查是以建立时间的检查为前提,即总是在建立时间的前一个时钟周期确定保持时间检查。这个也不难理解，上面的图中，数据在时刻1的边沿被发起，建立时间的检查是在时刻2进行，而保持时间的检查是在时刻1（如果这里不能理解，再回头看我们讲保持时间章节的内容），因此保持时间的检查是在建立时间检查的前一个时钟沿。   但在实际的工程中，经常会碰到数据被发起后，由于路径过长或者逻辑延迟过长要经过多个时钟周期才能到达捕获寄存器；又或者在数据发起的几个周期后，后续逻辑才能使用。这时如果按照单周期路径进行时序检查，就会报出时序违规。因此就需要我们这一节所讲的多周期路径了。 多周期约束的语句是： set_multicycle_path <num_cycles> [-setup|-hold] [-start|-end][-from <startpoints>] [-to <endpoints>] [-through <pins|cells|nets>] 参数 含义 num_cycles [-setup -hold] 建立/保持时间的周期个数 [-start -end] 参数时钟选取 -from 发起点 -to 捕获点 -through

时序路径延时计算方法 当与设计相关的所有时序弧都存在并有效时，时序路径延时就可以基于获取的时序弧信息并运用合适的算法来进行计算。时序路径延时的计算根据如下几种逻辑组合形式而有不同的计算方法。 1.组合逻辑之间路径延时计算方法 组合逻辑电路在逻辑功能上的特点：任意时刻的输出仅仅取决于当前输入，与电路原来的状态无关。最基本的组合逻辑之间的延时计算方法是通过把逻辑路径的逻辑门延时和信号线延时逐一相加来计算。 下图所示为计算一条以3个反相器单元组成的组合逻辑路径延时的基本方法。 现从输入到输出的组合逻辑路径延时计算考虑输入上拉和下拉的两种不同的状态下的转换下的逻辑路径延时。由于反相器单元是具有逻辑功能的单元，因此输入的不同其对应的时序弧也不同。 输入信号为上拉状态的计算公式如下： Trise=Tn0fall+Tarise+Tn1rise+Tbfall+Tn2fall+Tcrise+Tn3rise 输入信号为下拉状态的计算方式如下： Tfall=Tn0rise+Tafall+Tn1fall+Tbrise+Tn2rise+Tcfall+Tn3fall 其中，Trise/fall为输入端口为上拉或下拉时的组合逻辑总延时，Tn0rise/fall、Tn1rise/fall、Tn2rise/fall和Tn3rise/fall为对应输入状态的线延时值，Tarise/fall、Tbrise

https://www.cnblogs.com/arachis/p/text_dig.html 说明：本篇以实践为主，理论部分会尽量给出参考链接 摘要： 　　1.分词 　　2.关键词提取 　　3.词的表示形式 　　4.主题模型（LDA/TWE）　　 　　5.几种常用的NLP工具简介 　　6.文本挖掘（文本分类，文本标签化） 　　　　6.1 数据预处理 　　　　6.2 关于文本的特征工程 　　　　6.3 关于文本的模型 　　7.NLP任务（词性标注，句法分析） 　　8.NLP应用（信息检索，情感分析，文章摘要，OCR，语音识别，图文描述，问答系统，知识图谱） 　　　　8.1 知识抽取 内容： 　　1.分词 　　分词是文本处理的第一步，词是语言的最基本单元，在后面的文本挖掘中无论是词袋表示还是词向量形式都是依赖于分词的，所以一个好的分词工具是非常重要的。 这里以python的jieba分词进行讲解分词的基本流程，在讲解之前还是想说一下jieba分词的整个工作流程: 图1是jieba切词函数的4个可能过程，图2是一个根据DAG图计算最大概率路径，具体的代码走读请参考 jieba cut源码 讲了这么多，我们还是要回归到实践中去，看下jieba的分词接口 1 # encoding=utf-8 2 import jieba 3 4 seg_list = jieba.cut(