qq个性标签莫名其妙的变(什么星座最爱哭？)

什么星座最爱哭？

已解决问题收藏转载到QQ空间最爱哭的星座是什么星座?[标签：星座]最爱哭的星座是双鱼座如果要数谁最先哭出声，那还得说是双鱼座妹妹了，谁叫她们喜欢哭，她们容易哭的程度是：还没看见什么，也没听见什么，莫名其妙的就突然大叫一声，跑到保护人身后狂哭。把别人吓一跳。我的妈呀。幽恋回答:64人气:338解决时间:2008-07-1116:15满意答案第一名：双鱼座?如果要数谁最先哭出声，那还得说是双鱼座妹妹了，谁叫她们喜欢哭，她们容易哭的程度是：还没看见什么，也没听见什么，莫名其妙的就突然大叫一声，跑到保护人身后狂哭。把别人吓一跳。我的妈呀。?第二名：巨蟹座?多愁善感的蟹子眼睛里好像放了催泪弹一样，她们丰富的感情用到这儿来正合适。不过还好，她们一般情况下不会哭出声来影响到别人。?第三名：双子座?谁说双子是无忧派?其实她也是很喜欢哭的，不过双子妹妹不是因为害怕才哭，她们是因为好不容易又发现了一个可以刺激自己神经的新方法，喜极而泣了。第四名：处女座?天生神经质又敏感的处女，一到晚上全身的感觉细胞就像是老鼠一样灵敏，甚至连头发竖起来都能当天线用，一点点外来的感觉都能把她们吓哭。?第五位：天蝎座?很多人都认为蝎子们都很COOL，其实蝎子们也是人，也有感情，也会哭，只是她们只会在心爱的人面前才会表现出软弱的一面。?第六名：狮子座?没搞错吧?是狮子?那个天生的王者?平时因为太爱面子，而受到压抑的个性，在这时就会得到释放，只要沾点边儿的，就会让她们大哭一场，总之要达到戏剧的效果才会罢休。?第七名：天秤座?一般来说秤子不太容易哭，不是因为她们过于麻木，而是她们知道眼泪是应该在值得的关头才好用，天一黑就哭?那还不是没几天就干了??第八名：金牛座?佩服佩服。牛牛们的忍功还真不是盖的，不要说走夜路不会怕，就算真的碰到坏人她们也不会害怕。看牛牛们哭还真像流星雨一样难得。?第九名：摩羯座?爱面子的人在人前都不太会哭，更何况到了一个人的晚上，把眼睛哭红了，把精心化好的妆哭掉了，一但在这里邂逅到真命天子那怎么办??第十名：水瓶座?瓶子会不会被吓哭?相信只有她自己才知道了，有时甚至她自己都不知道，每个夜晚都不同，她的第一感觉就是觉得新鲜好玩，这个与白天不同的地方对于她来说，绝对够IN。?第十一名：白羊座?你们以为白羊人是吃草的吗?好不容易干完了压死人的工作，歇一口气还来不及，哪有时间哭。?第十二名：射手座?出了名的乐天派，天塌下来都不会怕，精彩的夜生活让她们开心还来不及，叫她哭什么?就算她哭，也是装的。?

QQ个性标签由0变1怎么回事？

你的好友在打开你的名片的时候，拖动了你的标签

qq个性标签莫名其妙的变

你好！

vip过期了

仅代表个人观点，不喜勿喷，谢谢。

qq个性标签莫名其妙的变

两种情况：1你的号被盗2你登陆qq的电脑被植入木马。想改变现在的情况恨简单，先杀毒后改密码。

qq个性标签莫名其妙的变

看看是不是手机或者微信同步了，一般同步的话会不经意的改了。

qq个性标签莫名其妙的变

可能是你与你的微薄或者空间说说绑定了，同步更新而已，可以去QQ空间设置取消

那些靠发朋友圈赚钱的人，都是怎么做到的？

点我关注，一起玩转美业私域。大鹅私域创始人&CEO，帮扶30+美业实体品牌，亿级美业连锁私域教练，持续分享美业拓客技巧。

大家好，今天小星探要给大家分享一篇关于朋友圈运营的文章，来自 6年私域运营专家，原腾讯高级运营经理的私域张公子。

一定要注意增加个人元素，还是以瑞幸咖啡为例，他们的IP昵称加了“lucky”后缀，IP头像选择卡通形象，IP性别选择女，这大大弱化了品牌感，很大程度增加了亲和力。

以上内容来自「门店私域增长圈」星球，期待你的点赞、收藏、转发。

qq个性标签莫名其妙的变

问得好，我也是这种情况：韩雨汝大宝贝（没给我笑死，韩雨汝是谁？）个性标签出现我没有设置的内容，我怀疑是程序猿恶搞或者手机QQ出现的bug。当然我不是为了解答题主的问题，我就是为了凑个热闹表示我也遇到过。哈哈?

qq签名含有即使……也

草。写百度不行吗！凋零回忆的非主流个性签名，给幸福打上永远的标签。这个世界太能说谎，虚构的温暖，没理由撑到天亮。[我一味的发泄着，你能看见泪洒到的地方么？]抓你的手，是我最放肆的依赖。我等你恩赐一个不在缺席的拥抱找个不爱的人谈恋爱；就算他劈腿乜无动于衷。你的记忆重的荒凉都让我来承受戏散了，我所能做的，只有主演自己的梦了男人被甩，金钱问题；女人被甩，面貌问题我被甩，你他妈脑袋有问题。★、╰︶￣亲身体验、你冰冷的心ゝSorry、面对那活生生的背叛，我已无法再信你。我们思考着未来，却不看清现在。想和你回到过去那些快乐，幸福的日子。[眺望着你说的那个未来]记住、莪不会再让我身边的女人为我哭泣！如果你是真的对我好不要一步步把我拉下万丈深渊。对他，似乎有那么一点特殊的情感青春可以让人很哀伤，也可以让人很亢奋。爱上了你我死心塌地就算你走了至少还有回忆。//有些人不必在等。庆幸的是，有个女人那么懂我，不幸的是，我再一次被看穿。在这个陌生的城市里，我学会了独立。只有远远地望着你，才能缝合我心头的创伤。你是我落日归去擦肩的路人。一段一句一词一字潦草收场落寞不堪或许我放的坚决，你才允许让泪浮现。[看多了别人的不离不弃，也就开始试着相信天长地久了]因为习惯了彼此的存在，所以才舍不得分开。那些无聊的承诺，留着你自己慢慢说。快樂、其实就是掩飾悲傷對每個人微笑只要你快乐，我收下这结果。過去成為了往事，我只能回憶、天空广阔，即使受伤：也要继续飞翔。马不停蹄的错过、轻而易举的辜负、不知不觉的陌路……香烟的诱惑，好大好大，可它却不翼而飞...碎了一地的诺言，拼凑不回的昨天。人生就像扯淡，把所有的一切都扯的淡淡的。爱一个人不必非跟他在一起，可是不在一起如何叫爱。很多事是努力来的，不是羡慕来的﹌我要走得决绝，才不会留下你这个不该留的后患。如若没有着陪伴，也许旧不会应验想象中的孤单吧。我让自己离开你、但为什么还在这里等你。自从你离开我之后，我不曾发自内心地笑过。︶ㄣ当太阳落下时，谁会陪你看夕阳_/~↘╰╮那个季节，不该让你住进心里来？人生就像拼图，缺少任何一块都不行？后来，你却在我消失后才明白，我对你有多重要。我觉得现在的我很幸福，虽然没有爱情。签名原创网站Q友乐园，转载请保留哦。请不要爱上我，即使我觉得不幸福。沙漏颠倒反覆，人生的阵痛便经历一次又一次。曲终人为散，还是曲中人以散？若如果没有如果，时间是否还会为我们停留？脆弱的友谊，卑微的承诺。彼此相愛的俄們，為何卻做不到坦誠相待。现在的我就如一株稻草没目标的胡乱飘摇季末旳寂寞，俄孤单一个人活着。何时，硪们之间只剩初秋的凉请你，看着我，这比心更痛的眼眸。然后，给我一点点在乎。纵费尽心，纵要费上一生所有光阴。╰＇幸福含笑而终、悲伤重获新生!永远不懂你的我，已经决定放下你，开始我的单身生活.他让你红了眼眶，你却还笑着原谅我们的曾经过去了，曾经的我们回来了。喜欢的歌静静地听，喜欢的人远远地看。不是你的错，是我飞蛾扑火。女人为男人第一次流泪时，心是不是就麻木掉了。熟悉的怀抱，再也无法拥有.他，得之我幸。失之我命。り、关于你的歌写着后来俄们，一遍遍唱着越来越多可能。凡是我放不下的，必是我无法拥有的。让我自私一次，拥有你一辈子！我心里你就是唯一，没有人可以代替。原来失去记忆，就等于失去灵魂。这只是多余旳感受，我可以不予体会。我悲伤什么的、只是你不爱我而已。我倾尽所有、只为你能在乎我。转眼之间改变了很多，却不是我最初想要的结果。我们都是这大千世界中的一颗小齿轮╰︶▔现在的皒才知道爱情的脆弱。所谓最难忘的就是從來不曾想起却永远也不會忘記靠近你就靠近痛苦，远离你就远离幸福。[你牵着她的手步入教堂]︶￣做个[徘徊]在牛A与牛C之间的人。[上帝給了我一份幸福，卻沒給這份幸福。打上永遠性的标签]疼的全身都在抽搐，却还是想抓住你。有时候，夜深人静，突然觉得不是睡不着，而是固执地不想睡勾一抹笑，弹一曲琴，醉一段爱，死一颗心＂你那么爱他，怎么不把他留下。静静的、不想被打扰。本以为会潇洒的走掉，没想到理智因你而渺小。你说：我只是去逛了一圈，该回来了，回到你身边来，必须。你不过是个男人，但不是我的男人。向日葵，不只是在阳光的照耀下成长﹌◆◇：那一抹笑被你扼杀在你的温柔中。你沉浸在一人留时，我想甩脱三人游。傆來、是ｗǒ.自巳冭莫名其妙梦里梦到醒不来的梦，浮现你被软禁的红。有的时候“语言”也是一种伤害。比任何利器都厉害。没有灵魂的转身、或许只能换来悲伤地凋零★、╰︶￣温暖的感觉、为何不曾拥有ゝ被雨淋过、流下的眼泪没人看到ゝ如果可以请不要念念不忘，伤口好了，就要舍得离开。运用一点语文知识吧。。。

基于用户行为分析建立用户偏好模型

基于用户行为分析建立用户偏好模型我们经常将个性化推荐的思想简单地抽象为：通过用户的行为推测出用户的兴趣，从而给用户推荐满足他们兴趣的物品。那我们其实就是要通过用户行为分析建立一个用户偏好(偏好即兴趣)模型，模型中包含各个用户的一个或更多个偏好。插叙一段像「用户行为」，「用户兴趣」这样的词，大多数人都有一个默认的感知，甚至对于这种词的理解可能已固化为常识，所以我很少见到有文章使用这些词时解释它们。我感觉涉及到算法模型时，对这些词的不加限定的宽泛认知就容易影响对算法模型的深入理解，会导致感知模糊却不自知。因为不同人对这些词的基本理解可能一致，但是拓展理解各不相同。本文会作出限定解释，且本文所谈用户行为都是指网络(可以是电信网络，互联网)上的行为。概念解释实体域当我们想基于用户行为分析来建立用户偏好模型时，我们必须把用户行为和兴趣主题限定在一个实体域上。个性化推荐落实在具体的推荐中都是在某个实体域的推荐。比如对于阅读网站，实体域包括所有的图书，我们可以称之为图书域。其他还有，个性化音乐推荐，个性化电影推荐，个性化资讯推荐等。用户行为用户在门户网站点击资讯，评论资讯，在社交网站发布状态，评论状态，在电商网站浏览商品，购买商品，点评商品，以及在其他类型网站的种种行为都可是用户行为。本文所指的用户行为都是指用户在某实体域上的行为。比如用户在图书域产生的行为有阅读，购买，评分，评论等。兴趣主题用户的兴趣维度，同样是限定在某实体域的兴趣，通常可以以标签的形式来表示。比如，对于图书阅读，兴趣主题可以是「悬疑」，「科技」，「情感」等等分类标签。值得一提的是，兴趣主题，只是从用户行为中抽象出来的兴趣维度，并无统一标准。比如qq阅读和豆瓣阅读的图书分类标签大不一样。而兴趣维度的粒度也不固定，就像门户网站有「新闻」，「体育」，「娱乐」等一级分类，而新闻下有「国内」，「社会」，「国际」二级分类，娱乐下有「明星」，「星座」，「八卦」二级分类。我们选取什么粒度的兴趣空间取决于我们对用户偏好模型的要求。兴趣空间在同一层次上兴趣维度的集合，比如豆瓣阅读中，可以用「新上架」，「热门」，「特价」，「免费」来构成一个兴趣空间(当然，如果使用这个兴趣空间来表征用户的兴趣，就太粗了，这里只是假设)，也可以用「小说」，「幻想」，「计算机」，「科技」，「历史」·····「美食」构成一个兴趣空间。这是两种不同的分类维度。如果将「新上架」也加入到后者集合里，就显然有些莫名其妙。值得一提是，这也并非不可能，这取决于一个如何看待这个集合的问题，如果不把它看作基于内容的分类，而是图书标签库，那么也是可行的，甚至利于建立更好地模型。本文后面我有提到。用户行为数据项亮在他的《推荐系统实践》的2.1节有详细介绍。通常在经过对行为日志的汇总处理后生成的比较容易理解的数据就是一份描述用户行为的会话日志。这种日志记录了用户的各种行为，比如在图书阅读app中这些行为主要包括点击，试读，购买，阅读(在本地app中，阅读行为有可能追踪不到)，评分，评论。建立用户偏好模型基于用户行为分析建立用户偏好模型的核心工作就是：将用户的行为转换为用户的偏好。我们采用矩阵运算的思维方式，以图书阅读为例说明。下图表示用户(user)集合：下图表示图书(item)集合：那么用户的行为矩阵可以表达为：行表示用户，列表示图书，我们暂只考虑图书的购买行为，1表示用户看过该图书，0表示用户没有看过该图书。如何将上述用户行为矩阵转化为用户兴趣矩阵(即行代表用户，列代表兴趣维度)，一种显著的方法是我们先确定图书与兴趣维度的对应关系矩阵。而这个的前提是我们确定了使用何种兴趣空间。一种常见的方式是专家给出一些样本的分类结果，也就是一般意义的训练数据，然后通过分类算法，得到分类模型，然后应用到其余数据的分类问题当中，解决其余大量数据的分类问题。这种分类的特点是一本图书只被标记为一种类别，假如有3个类别，那么图书-兴趣矩阵为：那么用户行为矩阵转换为用户兴趣矩阵的运算公式即可表示为下图，行表示用户，列表示兴趣，算出的矩阵再经过归一化后，每个值就代表某个用户在某个兴趣的偏好权重。选择这样的兴趣空间的局限显而易见：一本图书只能属于一个兴趣维度。实际情况中，一本图书通常不只属于某个分类，并且当图书的数据巨大时，寄希望于编辑分类可能会越来越难以维持，所以通常是由用户主动给图书添加标签，或者机器基于内容，提取关键词。但是这种形式得到的标签集会存在同义，生僻，维度过多等情况，需要经过标签清洗的重要工作。前面已经看到兴趣空间的选择真的是非常重要，直接影响所得到用户的兴趣矩阵。所以同样的方法都得到了用户偏好，但是好不好用，就跟这部分工作有关了。用户行为加权上面展示的用户行为矩阵示例是一个非常简单的，直接可以从数据库里提取的例子。而实际中在数据能够支撑的情况下，我们不可能只考虑一种行为。为了获得更合理的行为矩阵，我们就需要进行行为加权。比如，A1表示用户点击的行为矩阵，A2表示购买的行为矩阵，A3表示评分的行为矩阵，那么加权矩阵就是：至于各矩阵的权重跟我们建立用户偏好模型的目的有关，如果我们更希望找准用户的品味偏好，那么权重可能是：a1其他用户行为分析方法上面介绍的方法也算是一种主流的方法。但是从上面介绍的「兴趣主题」，「兴趣空间」也可以看出作出好的分类并不容易，分类粒度，分类维度等都不好控制，用户打标签也需要复杂的标签清洗工作。在图书，电影这样的实体域，我们还可以通过类别给用户推荐喜欢的物品，而在个性化资讯推荐领域(这里仅举个例子，资讯推荐应该有其特殊之处)，我们不见得能通过类别推荐用户喜欢的资讯，甚至用户本身也不在意类别。我们并不需要显式地构建物品-兴趣对应关系矩阵，也可以将用户和所喜欢类别的物品关联起来。这就涉及到隐含语义分析技术。这个部分会日后在此文补充。小总结以上可以看出基于用户行为分析的用户偏好建模的常规方法非常简单明了。事实上也的确如此，在使用这些方法或者思想编写程序计算都不是什么难事。而实际上，我们遇到的问题却并非是方法本身，而是数据本身。数据方面的两大问题是稀疏和长尾分布。通常有行为数据用户很少，而用户的行为对象也集中在不多的物品上。方法易学，而数据问题只能在实战中才能深刻体会，才会发现主要的精力和难点都在解决数据的稀疏和长尾上。希望日后能结合实际问题写写解决数据问题的文章。此外，上面虽然是用矩阵运算的思想讲述，但我在实际项目中发现其运算的本质其实是对用户行为的统计。所以在实战中，不一定要先建矩阵，再做计算，直接在数据库里使用sql计算非常方便。

版权声明：本文由用户上传，如有侵权请联系删除！