云速建站，可是吸引客户流览很少，怎么样可以提升流量？

搜索引擎的使用与DB查询不是使用同一个数据库，它们的事务也是分别开启的，所以会存在异常情况时候：搜索引擎事务与DB事务不一致。解决搜索引擎事务不一致问题的参考方案如下：假设模型对象表为表A，表A需要同步数据到搜索引擎ES中的表B，以便加速搜索。由于在同一脚本中同时操作表A与表B，在异常情况下会存在数据不一致的情况（因为是不同数据库，事务分别开启）。为了确保A表的修改，可以同步到B表中，即当一次操作需要修改A表的某条记录，并且同步修改B表的对应记录时，可以通过如下步骤实现。A表中新增一个字段flag，A表中的每条记录改动时，都将A表记录中的该标记字段flag设为false。然后通过发送事件的方式，异步修改B表的记录，事件需要在A表操作完成并且提交事务成功后发送。否则会导致异步事件监测不到改动，无法正确修改B表的记录。待B表成功修改后，同步更新A表中的该字段flag的值为true。由于同步到B表的过程也可能失败，则需要开启定时任务，搜索A表中flag字段为false（即为未同步到B表的记录）。将定时任务搜索得到的A表中与B表不同步的记录进行再次同步。以上过程，除了定时任务相似的处理没有列出以外，假设最大的方框表示表A与表B数据一致时，无论查询哪一张表，对外都无感知的。对于大方框内，A表与B表之间的保证数据一致性的方式，则由内部流程图所示。由于定时任务查询得到表A中flag字段为false的记录（即为未同步到表B的记录时），再次进行数据一致性操作的处理流程相似，所以流程图中未列出定时任务处理全量查询不一致的记录的流程。

ElasticSearch作为专业的搜索引擎，具有搜索速度快的好处。但是业务中是否需要使用，则需要视具体情况而定。在AppCube平台的相关参数与限制章节中已经介绍了平台对接ES的一些限制：如果业务需要进行条件查询，条件查询的入参携带参数大于1024个时，不应该考虑使用ES进行加速，参考AppCube平台的相关参数与限制章节中的第1条限制。如果业务需要支持分页查询的起始条数大于10000的情况，则不应该考虑使用ES进行加速，参考AppCube平台的相关参数与限制章节中的第3条限制。如果对当前多表关联的搜索性能要求比较高，可以考虑使用ES进行加速查询。因为使用SQL进行多表关联查询，会受到表记录数量大小，查询SQL写法，SQL条件的复杂程度的影响。以基线人员BO为例，关联表数量较多，大于6表关联，并且表记录较多，有超过3张表的表记录数量达到数十万甚至数百万级别的。未使用ES的情况：如果进行5~6表关联查询，就算使用索引查询，也需要800ms以上。由于count查询性能较低，也会导致一条SQL需要1.5s以上的耗时。单个完整业务的接口处理时长大于2s甚至到达5s以上。这是由于一个业务场景中，这样的SQL不止一两条，会导致整个业务场景下前端调用接口时候高延时。这时候，则可以使用ES进行加速。使用ES后，相同单线程无并发的情况下，整个查询过程仅需要200ms~500ms，对比原来的几秒已经有了极大的提升，这时候推荐使用ES进行加速。

服务于物联网设备和互联网资产的搜索引擎 Censys 宣布完成了 3500 万美元的 B 轮融资，并迎来了一位新的 CEO。 该公司源于 7 年前密歇根大学的一个开源研究项目，总部位于密歇根州科技中心 Ann Arbor，目标是提供一个所有连接到互联网的设备的“完整数据库”，以帮助企业找到保护不力的资产。         该公司在 2020 年 8 月获得 1550 万美元的 A 轮融资后，现在获得了 B 轮投资，该投资由 英特尔 资本领投。Censys 告诉 TechCrunch，这些资金将用于加速公司的研发、工程、产品和销售业务，特别是在西欧市场。          此外，Censys 已经任命 OneLogin 的前首席执行官 Brad Brooks 为其新的首席执行官。Brooks 是一位技术行业的资深人士，在过去25年中曾与DocuSign、Juniper Networks和 微软 等公司合作，他取代了临时首席执行官Lorne Groe，后者回到了首席财务官和首席运营官的位置。         Brooks 表示他的加入是为了帮助带领公司进入下一个增长阶段，他说这可能包括在未来9到12个月内进行新一轮的融资。他说：“通过这一轮融资，我们从创业阶段进入成长阶段。公司目前正处于典型的超增长状态。公司现在最大的问题是它的增长速度。这是由企业转向远程和混合工作模式以及加速采用云服务推动的”。

 计算机视觉的最新进展提高了图像嵌入(密集矢量表示)的相关性，使用最近的剪辑模型，为我的本地图片实现类似Google的图像搜索现在很容易实现。作者：佚名    来源：磐创AI几天前，我有一种想要回顾一张我记忆犹新的旧照片的愿望，但我不知道在哪里可以找到…自从这张照片被拍摄后，我换了两次手机，换了一次笔记本电脑，我很确定我当时已经通过Messenger把它发给了某人，但是是谁呢？如果能用一个简单的描述性查询搜索我所有的图片并找到它，那该有多方便啊！…计算机视觉的最新进展提高了图像嵌入(密集矢量表示)的相关性，使用最近的剪辑模型，为我的本地图片实现类似Google的图像搜索现在很容易实现。无需深入研究细节(更多信息，请参阅博客帖子和论文：https://openai.com/blog/clip/)，Clip是一个神经网络，旨在通过自然语言监督来学习图像特征。基本上，它使用互联网上带有相关字幕的公共图像，将文本嵌入类似Bert的语言模型，并将图像嵌入视觉转换器。请注意，所使用的技术可以应用于其他NLP和CV模型体系结构。利用多个图像/文本嵌入对，可以通过批量负对比训练来微调视觉和文本嵌入模型，类似于在信息检索的NLP领域中可以做的事情。基本上，目标是使图像嵌入与其关联的文本嵌入相对应(点积)，并且与其他图像的所有标题(1)不同。剪辑通常用于“零镜头”分类；给定图像和字幕列表，它会推断图像的最佳字幕是什么。在上面的例子(2)中，与“飞机的照片”、“鸟的照片”、“汽车的照片”相比，“狗的照片”是最好的图片说明。…我对图像搜索引擎的想法(这里并不新鲜)是颠覆这一点，而不是基于图像对字幕进行分类，而是基于文本查询对图像进行分类。该过程将如下所示：找到给定目录中的所有图像使用预先训练的剪辑视觉转换器计算每个图像的嵌入，并将它们与图像路径一起存储以供将来参考。https://openai.com/blog/clip/在运行时，使用剪辑文本转换器将用户查询转换为文本嵌入。计算文本嵌入与所有存储的图像嵌入的点积，根据其获得的分数对所有图像进行排序，并返回排名最高的N个图像的路径。这个过程以及一些额外的特性是在我的Github存储库中实现的：https://github.com/ManuelFay/ImageSearcher. https://github.com/ManuelFay/ImageSearcher在索引阶段，代码使用oslibrary查找给定目录和子目录中的所有图片，使用转换器和Pickle库嵌入和存储矢量化表示。在运行时，将加载酸洗过的嵌入，并根据嵌入的查询进行匹配，然后返回排名第n位的图像。提供了Flask/Gunicorn API，以便能够高效地使用具有外部接口的搜索引擎。还提供了一个简单的Google Image Search，类似于Vue.js构建的Web界面。示例为了获取大量的图片，我从Facebook下载了我的Messenger档案，获得了过去几年里我发送和接收的大约1万张图片。搜索引擎允许进行非常描述性的查询。排名靠前的图像排在第一位。请注意，这些图片都是从我的大约10,000张本地图片中提供的，因此选项池是有限的。元查询也是可能的。在这里，我们请求无人机拍摄的照片：这是一个很快的下午项目，但剪辑模型的精确度给我留下了深刻的印象。要自己测试它，请使用https://github.com/ManuelFay/ImageSearcher.中的代码欢迎对改进和额外功能的贡献！ https://github.com/ManuelFay/ImageSearcher

活动参与贴审核终于完毕！让我们看看哪些同学获得了奖励呢？互动抽奖：[1]:    Forget316[2]:    李健铭[3]:    KAIKAI[4]:    wolfandy[5]:    多米诺的古牌活动抽奖：[1]:    Chen pengfei[2]:    Soleil[3]:    nukinsan[4]:    Lee_rvr[5]:    加油O幸福[6]:    wolfandy[7]:    xay2001[8]:    Akitsu[9]:    Hamilton_north[10]:    Liiiiiiion[11]:    寒宿[12]:    御坂8080号[13]:    张辉[14]:    炙冰[15]:    lijiazhan[16]:    jamesonleong[17]:    pallidlight[18]:    qiulinwei[19]:    Chriscy[20]:    灬落雨成霜灬[21]:    SoLone[22]:    yue[23]:    Karlos Ma[24]:    dapher[25]:    joan2020直接采纳：[1]:     Forget316[2]:     拉姆小鱼[3]:     james_jou66[4]:     SongYiYun[5]:     李健铭[6]:     chenhuamin9527[7]:     杜睿擎[8]:     王丰健[9]:     KAIKAI[10]:    xuxy恭喜以上30位同学工作日会以1261354409@qq.com邮箱给各位发领奖邮件哦！到时候记得回复！

近日，SHOPYY平台已加入华为HMS出海生态联盟，与其搜索引擎进行了无缝对接。简单来讲就是华为打造了一个和Google类似的搜索引擎“Petal Search”，针对华为及更多的安卓终端用户开放使用。比如在华为手机的搜索框、负一屏的搜索、点击搜索，都可以看到shop的概念，类似Google Shopping一样，可以在上面看到商品并跳转进行购买。在这个流量为王的时代，必须以速度致胜，所以，SHOPYY商家越快完成华为 Petal Search 的创建及审核上线，就能抢占先机，获得越多的曝光和免费流量。下面我们来看一下，其对接流程是怎样的。SHOPYY后台中操作（1）在华为Petal Merchant Center注册账号，操作指南请参考：https://developer.huawei.com/consumer/en/doc/development/searchconsole-Guides/20210312（2）SHOPYY后台安装应用，feed格式管理，设置表格模板。（3）自定义编辑表格名称，点击字段右侧+号，将字段添加到左侧。加*号的字段为必选，同时对应这些字段的商品数据不能为空。（4）打开feed导出管理新增导出，根据页面提示设置导出条件。（5）自定义填写名称，选择已配置好的feed模板，导出格式选择csv（目前华为只支持csv）。注意：商品数据语言需要一致（例如商品名称不要出现中英文混合等），避免审核不通过。华为Petal Merchant Center操作表格导出后，前往华为petal Merchant Center进行导入 。加*为必填项Country：必选项，显示基础上线国家，指商品上线的国家，下拉显示的国家都是目前支持的。Language：上线国家对应的语言，下拉进行选择。Additional Countries：指这个商品还可以上线的国家，根据实际情况选择。Change tracking UTM：增加或替换UTM值，建议选“Yes”，Specify a new name建议配置为utm=PetalSearch，便于追踪来自华为的点击。点Next到下一步上传csv表格，上传后点Next到下一步再传一次 。注意：full feed as test要选择“No”。点击Submit后完成操作，等待华为审核即可。Ps：由于政策原因，华为Petal Search除了北美以及国内的市场，其他市场都可以覆盖的到，只要买家有用华为手机，都是我们属于触及的用户群体。在跨境电商的潮流大背景下，更多商家选择品牌出海。而华为Petal Search恰好发挥了助攻之力，我们只需要把握好这个优质资源，并做好相关的站内优化，即可为你的独立站带来更多的流量。转载自数据社，作者：shopyy  https://mp.weixin.qq.com/s/5Q2xb4_mvqi_5sJ0WhHdbg免责声明：转载文章版权归原作者所有。如涉及作品内容、版权等问题，请及时联系文章编辑！

【功能模块】es搜索引擎租户：ncec1234【操作步骤&问题现象】1、点击开发界面的全局搜索，报错如下调用搜索引擎服务器异常，elastic: Error 400 (Bad Request): Validation Failed: 1: this action would add [2] total shards, but this cluster currently has [6191]/[3000] maximum shards open; [type=illegal_argument_exception]【截图信息】【日志信息】（可选，上传日志内容或者附件）

我总是需要用到不同的搜索引擎，除了我们设置的那个默认搜索引擎，切换起来总是要在地址栏手动输入，麻烦的要死。其实包括 Chrome、Edge 在内的浏览器，都支持一个技巧，让我们可以做到快速切换搜索引擎。以 Chrome 为例，首先在设置处找到管理搜索引擎的选项。然后找到各个搜索引擎的关键字，把选线的域名直接改为单个字母或数字。保存后，你就可以通过在地址栏输入「关键字+Tab」实现上面的快速切换搜索引擎了，是不是超简单。这个改关键字快速切换搜索引擎也可以用到知乎、论坛等等的搜索框，把后面的搜索规则配置好，改个关键字就能实现快速切换的功能，何乐而不为呢。我最后再补充几个注意事项：关键字是区分大小写的，比如必应我设的是 b，百度我设的是 B，在切换时就得切换个大写键。在地址栏单打一个空格会自动跳到默认的搜索引擎，部分浏览器如果没办法通过「关键字+Tab」实现切换的话，可以尝试一下「关键字+空格」。其实浏览器上有好多这样的花式操作，设置起来不难，带给我们效率的提升却肉眼可见，看了这个黑招，以后小伙伴们就再也不用手动输入搜索引擎了。

https://mp.weixin.qq.com/s?__biz=MzA5MjM5OTYzNA==&mid=2247487971&idx=1&sn=e1381205b3a358b4d5d2f7b52e19158f&chksm=906ce09ea71b6988dfa9f9f8533b9d711c27d304825cddaa87f747b5160ea97f59dcf3a661f6&token=1231453180&lang=zh_CN#rd

常用机器学习模型1.朴素贝叶斯模型　　朴素贝叶斯模型是一个简单却很重要的模型，它是一种生成模型，也就是它对问题进行联合建模，利用概率的乘法法则，我们可以得到：　　由于上述形式复杂，因此朴素贝叶斯作出一个假设，也就是在给定y的条件下，x1,...,xn之间的生成概率是完全独立的，也就是：　　注意此处并不是说x1,...,xn的生成概率是相互独立的，而是在给定y的条件下才是独立的，也就是这是一种”条件独立”。了解概率图模型的同学，下面的图模型就可以很好地阐述这个问题：　　既然我们说朴素贝叶斯是一种生成模型，那它的生成过程是怎样的呢？对于邮件垃圾分类问题，它的生成过程如下：　　首先根据p(y)采用得到y，从而决定当前生成的邮件是垃圾还是非垃圾　　确定邮件的长度n，然后根据上一步得到的y，再由p(xi|y)采样得到x1,x2,...,xn　　这就是朴素贝叶斯模型。显然，朴素贝叶斯的假设是一种很强的假设，实际应用中很少有满足这种假设的的情况，因为它认为只要在确定邮件是垃圾或者非垃圾的条件下，邮件内容地生成就是完全独立地，词与词之间不存在联系。　　朴素贝叶斯模型优、缺点　　优点：对小规模的数据表现很好，适合多分类任务，适合增量式训练。　　缺点：对输入数据的表达形式很敏感。2.决策树模型　　决策树模型是一种简单易用的非参数分类器。它不需要对数据有任何的先验假设，计算速度较快，结果容易解释，而且稳健性强　　　　在复杂的决策情况中，往往需要多层次或多阶段的决策。当一个阶段决策完成后，可能有m种新的不同自然状态发生；每种自然状态下，都有m个新的策略可选择，选择后产生不同的结果并再次面临新的自然状态，继续产生一系列的决策过程，这种决策被称为序列决策或多级决策。此时，如果继续遵循上述的决策准则或采用效益矩阵分析问题，就容易使相应的表格关系十分复杂。决策树是一种能帮助决策者进行序列决策分析的有效工具，其方法是将问题中有关策略、自然状态、概率及收益值等通过线条和图形用类似于树状的形式表示出来。　　决策树模型就是由决策点、策略点(事件点)及结果构成的树形图，一般应用于序列决策中，通常以最大收益期望值或最低期望成本作为决策准则，通过图解方式求解在不同条件下各类方案的效益值，然后通过比较，做出决策。　　决策树模型优、缺点　　优点：浅层的(Shallow)决策树视觉上非常直观，而且容易解释；是对数据的结构和分布不需作任何假设；是可以捕捉住变量间的相互作用(Interaction)。　　缺点：深层的(Deep)决策树视觉上和解释上都比较困难；决策树容易过分微调于样本数据而失去稳定性和抗震荡性；决策树对样本量(Sample Size)的需求比较大；处理缺失值的功能非常有限。3.KNN算法　　KNN即最近邻算法，核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。 kNN方法在类别决策时，只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，kNN方法较其他方法更为适合。其主要过程为：　　1.计算训练样本和测试样本中每个样本点的距离（常见的距离度量有欧式距离，马氏距离等）；　　2. 对上面所有的距离值进行排序；　　3. 选前k个最小距离的样本；　　4. 根据这k个样本的标签进行投票，得到最后的分类类别；　　如何选择一个最佳的K值，这取决于数据。一般情况下，在分类时较大的K值能够减小噪声的影响。但会使类别之间的界限变得模糊。一个较好的K值可通过各种启发式技术来获取，比如，交叉验证。另外噪声和非相关性特征向量的存在会使K近邻算法的准确性减小。　　近邻算法具有较强的一致性结果。随着数据趋于无限，算法保证错误率不会超过贝叶斯算法错误率的两倍。对于一些好的K值，K近邻保证错误率不会超过贝叶斯理论误差率。　　KNN算法优、缺点　　优点：简单，易于理解，易于实现，无需估计参数，无需训练；理论成熟，既可以用来做分类也可以用来做回归；可用于非线性分类；适合对稀有事件进行分类；准确度高，对数据没有假设，对outlier不敏感。　　缺点：计算量大；样本不平衡问题（即有些类别的样本数量很多，而其它样本的数量很少）；需要大量的内存；可理解性差，无法给出像决策树那样的规则。4.SVM算法　　SVM(Support Vector Machine)指的是支持向量机，是常见的一种判别方法。在机器学习领域，是一个有监督的学习模型，通常用来进行模式识别、分类以及回归分析。　　SVM的主要思想可以概括为两点：　　1.它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。　　2.它基于结构风险最小化理论之上在特征空间中构建最优超平面，使得学习器得到全局最优化，并且在整个样本空间的期望以某个概率满足一定上界。　　SVM算法优、缺点　　优点：可用于线性/非线性分类，也可以用于回归；低泛化误差；容易解释；计算复杂度较低。　　缺点：对参数和核函数的选择比较敏感；原始的SVM只比较擅长处理二分类问题。5.logistic回归模型　　logistic回归又称logistic回归分析，是一种广义的线性回归分析模型，常用于数据挖掘，疾病自动诊断，经济预测等领域。例如，探讨引发疾病的危险因素，并根据危险因素预测疾病发生的概率等。以胃癌病情分析为例，选择两组人群，一组是胃癌组，一组是非胃癌组，两组人群必定具有不同的体征与生活方式等。因此因变量就为是否胃癌，值为“是”或“否”，自变量就可以包括很多了，如年龄、性别、饮食习惯、幽门螺杆菌感染等。自变量既可以是连续的，也可以是分类的。然后通过logistic回归分析，可以得到自变量的权重，从而可以大致了解到底哪些因素是胃癌的危险因素。同时根据该权值可以根据危险因素预测一个人患癌症的可能性。Logistic回归模型的适用条件：　　1.因变量为二分类的分类变量或某事件的发生率，并且是数值型变量。但是需要注意，重复计数现象指标不适用于Logistic回归。　　2.残差和因变量都要服从二项分布。二项分布对应的是分类变量，所以不是正态分布，进而不是用最小二乘法，而是最大似然法来解决方程估计和检验问题。　　3.自变量和Logistic概率是线性关系　　4.各观测对象间相互独立。　　Logistic回归实质：发生概率除以没有发生概率再取对数。就是这个不太繁琐的变换改变了取值区间的矛盾和因变量自变量间的曲线关系。究其原因，是发生和未发生的概率成为了比值 ，这个比值就是一个缓冲，将取值范围扩大，再进行对数变换，整个因变量改变。不仅如此，这种变换往往使得因变量和自变量之间呈线性关系，这是根据大量实践而总结。所以，Logistic回归从根本上解决因变量要不是连续变量怎么办的问题。还有，Logistic应用广泛的原因是许多现实问题跟它的模型吻合。例如一件事情是否发生跟其他数值型自变量的关系。　　logistic回归模型优、缺点　　优点：实现简单；分类时计算量非常小，速度很快，存储资源低。　　缺点：容易欠拟合，一般准确度不太高；能处理两分类问题（在此基础上衍生出来的softmax可以用于多分类），且必须线性可分。

网站结构就像架构的框架，承载着整个网站的设计理念，是整个网站优化布局和细节设计的载体。做好体系结构优化工作，将使以后的优化工作更加高效。一般来讲，企业网站结构一般是首页、公司简介、案例、新闻信息、联系信息等风格，网站结构优化是通过技术对网站整合，是网站有利于用户和搜索引擎识别，可以分为两种类型，界面结构优化和搜索引擎优化。界面结构优化是为了让用户快速方便的浏览网站，搜索引擎优化是为了方便搜索引擎识别并收录到相关的关键词下。界面优化的目的是让用户了解浏览者的网站上介绍的是什么，搜索引擎优化的目的是为了让搜索引擎明白浏览者的网站上说的是什么。网站结构优化就是为了让网站同搜索引擎和人更好地“沟通”。网站结构做好有利于网站在SERP(搜索引擎结果页面)中的排名，一个网站有好的排名也在另一个角度上说明这个网站的结构适合搜索引擎的读取。首先，一个健全的网站架构可以给用户更好的体验。当网站更直观、更清晰地呈现内容时，用户可以毫无障碍地获得想要的信息。其次，用户体验友好性也会提高网站在搜索引擎上的排名。用户愿意花更多的时间浏览网站并链接到你的网页，这是高质量网站内容的标志。此外，良好的网站结构也有助于搜索引擎有效地捕获您的网站。页面排列混乱的网站跳出率会很高——用户不想浪费时间在你的网站上寻找信息，所以最好从用户的角度来构建网站，提供直观的搜索体验。一般来说，客户都很熟悉这个行业的顶级网站。当你创建一个新的网站时，你可以参考业界最好的网站结构。这样，你的网站会让用户看起来更熟悉，更容易浏览。最后，网站的设计原则、导航格式和链接显示应一致。统一风格的网站可以更好地引导客户快速找到所需信息，并停留更长时间。内部链接应该引导用户浏览相关和有用的页面。当用户遇到内部链接时，他们应该能够立即理解链接指向的内容的哪一部分。确保网站的每个页面都至少有一个可访问的链接。简而言之，它是主页→列页→内容页→列页→主页，所以它包含了所有页面的导航。

     云搜索服务（Cloud Search Service，简称CSS），为您提供托管的分布式搜索引擎服务，完全兼容开源Elasticsearch搜索引擎，支持结构化、非结构化文本的多条件检索、统计、报表。云搜索服务的使用流程和数据库类似。云搜索服务会自动部署，快速创建Elasticsearch集群。免运维，内置搜索调优实践；拥有完善的监控体系，提供一系列系统、集群以及查询性能等关键指标，让用户更专注于业务逻辑的实现。云搜索服务中Elasticsearch搜索引擎目前支持Elasticsearch 5.5.1、6.2.3、6.5.4和7.1.1版本，Kibana目前支持5.5.1、6.2.3、6.5.4和7.1.1版本。

2017华为软件精英挑战赛划分为10大赛区，各赛区覆盖省市如下表。同学们只能在本赛区组队，不能跨赛区组队。序号赛区划分覆盖省市1京津东北赛区北京、天津、黑龙江、吉林、辽宁、内蒙、河北2上合赛区上海、安徽3杭厦赛区浙江、福建、江西、台湾4江山赛区江苏、山东5成渝赛区四川、重庆、贵州、云南、西藏、青海6西北赛区陕西、甘肃、宁夏、山西、河南、新疆7武长赛区湖北、湖南8粤港澳赛区广东、广西、海南、香港、澳门9印度赛区印度10新加坡赛区新加坡特别说明：1、海外留学生如果想在国内某赛区参赛，请首先选择国内某省份/地区，学校选择“XX其它院校及留学生”，例如省份/地区选择“陕西”，学校选择“陕西其它院校及留学生”，报名成功后即在西北赛区参赛。如果省份/地区选择了海外，学校选择“海外院校”，则默认归属到粤港澳赛区。2、请中国科学技术大学苏州研究院的参赛同学，省份/地区选择安徽。无法添加团队成员的情况 增加团队成员失败一般由以下原因造成： 1.被增加人已经加入其它团队 ---- 通知被增加人解散团队或退出团队 2.填写被增加人ID时填错 ---- 检查填写的ID是否为个人信息里的“个人ID”,一定要带上（）里面的数字。3.被增加人只是注册，并没有完善个人信息 ---- 检查被增加人的个人信息是否完整，如果不完整请填写完整后再增加4.团队中有跨赛区成员 ---- 确保所有团队成员为同一赛区 原贴地址：http://developer.huawei.com/ict/forum/forum.php?mod=viewthread&tid=10353

ES支持什么搜索引擎