OSIM傲胜成为「最强NBA
导读： 科比大杀特杀! 科比主宰比赛! 科比无人能挡! 科比已经超神了! 这就是科比职业生涯最后一场比赛的表现总结。 北京时间4月14日，

科比大杀特杀!

科比主宰比赛!

科比无人能挡!

科比已经超神了!

这就是科比职业生涯最后一场比赛的表现总结。

北京时间4月14日，随着洛杉矶湖人在主场以101-96战胜犹他爵士，NBA传奇球星科比-布莱恩特的最终战完美落幕， 上场42分钟，50投22中疯狂砍下60分4篮板4助攻 ，在末节最后落后4分钟10分的情况下，几乎靠着一己之力逆转了爵士队，取得了比赛的胜利!

萌点话题聊聊那些"科比"的故事>>

从1996年至今，科比为湖人效力20个赛季，常规赛期间共出场1,346次，场均上场361分钟得到250分52篮板47助攻14抢断。五次总冠军、两次总决赛MVP、一次常规赛MVP、四次全明星赛MVP、两次得分王、一次扣篮大赛冠军、两次奥运会冠军

科比曾在北京时间2006年1月23日湖人对阵猛龙的比赛中砍下81分，这是NBA历史单场第二高得分。此外，科比职业生涯共砍下6次60+得分，25次砍下50+得分，122次砍下40+得分，431次砍下30+得分。

北京时间2015年11月30日，科比宣布本赛季是他职业生涯最后一个赛季。

在告别科比的时候，大部分人是在告别自己的青春……

从8号到24号，从1996年到2016年，你老了我们长大了。

无论何时，我都会记得那年坐在教室的最后一排，和同桌撕下作业本，揉成球状，瞄准墙角的垃圾桶……

英雄终将落幕，而传奇永不结束，一个人的离开无法动摇大家对于篮球的热爱，就算在游戏中也是如此!在此为大家送上几款好玩的篮球游戏，在这个特别的日子里，不如拿起你的手机，划动你的指尖，在虚拟的世界里来一场 *** 的对抗吧!

NBA 2K16

对于喜欢篮球游戏的朋友来说，《NBA2K》系列绝对是不可错过的作品，如今《NBA2K16》就是该系列在移动端的最新作，本作继承画面精美的传统，与前作相比游戏的画质也有了比较大的提升，无论是球员的动作还是不同球场的设计，还有观众的反应都更接近真实，当然在游戏当中的背景音乐也是非常流行动感，游戏当中的音乐由流行音乐超级 *** 人DJ玛斯塔德，知名 *** 人和说唱歌手DJ卡雷德以及传奇嘻哈音乐 *** 人DJ普拉米尔一同 *** ，NBA一直与美国流行文化有着密不可分的联系，有了这些流行的音乐元素，让游戏可以加分不少。

游戏当中除了常见的快速游戏的模式之外，游戏当中还包含了完整的辉煌生涯模式、赛季模式还有街球模式，对于前三种模式相信玩家们早已不会陌生，在前作当中都玩家们都可以体验到了。而街头赛模式是首次加入到游戏中的模式。在街头模式当中玩家可以选择球员在街头展开一场街头比赛，从1对1的斗牛赛到5V5的团队赛都可以由玩家来选择，不过并不是所有球员都会出现在街头赛的，例如科比、詹姆斯等球员就无法登场，还是觉得有一些遗憾吧。

《NBA 2K16》下载

NBA梦之队2

《NBA梦之队2》是由NBA正版授权，DeNA中国研发的NBA题材3D篮球动作游戏，由NBA传奇巨星“大鲨鱼”奥尼尔代言。《NBA梦之队2》作为《NBA梦之队》系列作品的第二部，在继承前作正宗NBA游戏体验的同时，革命性的引入3D画面，更真实的演绎NBA真实赛场风云及NBA大牌球星个性动作。游戏拥有450名NBA新老球星数据库，玩家在游戏中将扮演球队经理，通过招募科比、詹姆斯、库里等巨星，组建最强梦之队，击败各路豪门劲旅，实现称霸篮坛、问鼎总冠军梦想。

在延续前作球星个性化技能的基础上，《NBA梦之队2》增加战术QTE操作，使玩家完成从观众到教练的角色转变。通过对战术的即时变换，玩家可获得扩大球队优势、扭转不利战局的效果；游戏提供细致周祥的成长体系数据，供玩家在众多球员中判别巨星并进行针对性训练。此外，游戏还完美移植了联盟30大球场，绝对真实的球场布景，辅以带入感超强的音效搭配，让你犹如身临其境般，感受篮球脉搏！

《NBA梦之队2》下载

真实篮球

《真实篮球》是一款篮球题材的休闲小游戏，游戏中没有激烈的5v5搏杀，只有你自创的一个角色面对篮筐独自进行投篮游戏。游戏的操作简单直接，你只需要单纯地向篮筐方向划动手指即可投篮，没有什么花哨的动作。唯一需要注意的就是力度和角度，两者配合恰到好处时可以投出完美的一球触发辅助特效，而连续命中还能进入连锁加分状态。

在整体风格上游戏还是偏真实的，现实中的擦板、空心、在篮框上绕个几圈这些细节都表现了出来，切换的视角和特写镜头以及背景观众欢呼声也恰到好处。模式方面方面有标准的街机模式、限时模式、高难度的一球模式以及可以获得奖杯的锦标赛模式都能提供不错的耐玩性。高难度模式下，没有力度计的设定，玩家要依靠手感来出手。如果你冲着“真实”两个字来玩这个游戏也许你会失望，但是简单易上手、直观的操作机制、引人挑战的丰富模式，还是值得一试的。

《真实篮球》下载

火柴人篮球

提到火柴人肯定大家不会陌生，神马《狂怒火柴人》《火柴人跑酷》都秉承了粗暴直接的玩法，而如今火柴人又开始打篮球了！这款《火柴人篮球》采用了5V5对抗的标准模式，虽然是火柴人，在动作刻画上却非同一般，篮球比赛中常见的运球、扣篮、跑位、传球等动作都非常细腻。游戏包括了长短赛季以及奖杯赛等各种模式可供选择既容易上手又考验操作性，玩起来简单有趣。游戏画面不是很绚丽，以简洁明了的线条为主，稍加装饰的场景，烘托着明快幽默的运动气氛，少了竞技的紧张 *** ，却多了一分因简洁干练带来的随意和放松。

进入游戏可以看到一个场景，玩家要挑选自己的球队和对方的球队开始比赛。玩家代表的球队在左边，而界面上也非常简单明了。这款游戏相对操作简单的多，火柴人只需传球、跳跃、投篮即可。当玩家熟悉游戏练好后，就可以尝试一些花式打法了，翻身跳投、单手大帽、暴力挂框扣篮，一个个动作的都是那么地带感，完全没有因为是火柴人而出现动作缩水的情况，喜欢篮球的朋友们赶紧来试试吧！

《火柴人篮球》下载

口袋篮球机

在各大街机游戏厅内，除了对着显示屏玩儿游戏以外，有不少人都喜欢那种真实的玩法，例如投篮球。毕竟在球场上凑齐几个人打球不太容易，索性就在 游戏厅中过一把投篮的瘾吧。但是另一个难题又来了，我们总不能到游戏厅中去玩篮球吧？故此衍生了这部《口袋篮球机》的游戏，在这里可以玩家把触屏的操控发挥到极致，不必大老远跑到游戏厅去玩了。

虽然是在手机上投篮，但操控方式也是大同小异的，手指触摸篮球并滑向篮筐方向就可以完成投篮了。当然了，游戏的规则与街机上的一样，玩家需要在限定的时间内尽可能多地投篮得分。游戏共有5种球场选择，前提是需要足够的分数来解锁才可以。画面效果比较华丽，手感不错，音效也是非常有意思，赶快来试试你的身手吧。

《口袋篮球机》下载

PBA大灌篮

《PBA大灌篮》是一款模拟篮球的体育竞技恶搞游戏，市面上篮球游戏不少，但基本都是NBA一家独大，其他联赛的相关游戏很少，而这款篮球游戏则是以菲律宾职业男子篮球联赛为背景，PBA(菲律宾篮球联赛)是世界上第二早诞生(仅次于 NBA)的职业篮球联赛。这款游戏和《NBA 搞笑嘉年华》比较类似，是一款夸张滑稽的娱乐性篮球游戏，而非写实类。

游戏与NBA Jam的玩法几乎一致，四名球员在场上疯狂的灌篮，仅此而已。游戏打破了人们传统观念中对于篮球游戏的定义，以一种更简单粗暴的方式让玩家获得游戏的快乐。玩家将控制两名运动员在篮球场叱咤风云。在游戏中，玩家只需要最简单的按键，就可以使出各式各样的极限大灌篮，甚至把篮筐砸碎，观赏性十足。想玩玩轻松的篮球游戏的话，不妨试试本作

《PBA大灌篮》下载 #topwap{ display:none;} #tap_ad_183{ display:none;} #syhz_slad{ display:none;} #bottomwap{ display:none;}

关于NBA总冠军戒指的冷知识你知道吗？

 NBA作为全世界知名的一流体育联盟，其很多的运营模式都是值得各大体育联赛所借鉴的。在我们的印象当中，如果获得冠军的话，一般都会发放奖杯和奖牌，然而在NBA联盟当中却意外，如果有球队获得了当年的 NBA总冠军的话，那么将会由联盟向他们颁发奥布兰杯以及一枚总冠军戒指。有总冠军戒指代替奖牌，关于戒指的故事，想必大家很多人都不明白，甚至有的人不理解，为何要用戒指代替奖牌呢？

这是因为奖牌过于的局限性，奖牌在我们的印象当中大多就是一块圆形的牌子，没有办法在上面做出一些具有创造性的举动，然而戒指都不一样了，小小的戒指上面可以运用不同的材质做出不同的花纹，NBA每年的官方也会根据球队的历史以及球队每个人的特征，在每一名成员的戒指上面刻上他们的名字，并且运用不同的材质来展现出不同的花纹。其中很多的材质都是名贵的钻石或者玉器，同时还会请雕刻师在上面雕刻出，象征着他们荣誉的花纹。

除此之外，每一年总冠军的戒指都是不一样的，都会邀请特殊的设计师来进行设计，让他们拥有独一无二的总冠军戒指，而这枚总冠军戒指也将会印有他们的名字，成为真正意义上的独一无二的收藏品。一枚总冠军戒指也是作为一名NBA球员最想要得到的东西，因为如果戒指越多，也就证明他获得过多次的NBA。然而奖牌的话则会少了很多的发散性，甚至让我们的目光过于局限，没有办法展现联盟的多样性。这就是为何NBA联盟给球员的是戒指而不是奖牌的最终原因。

那必须是掌上NBA ，是一款专门为球迷朋友们量身打造的手机NBA赛事直播软件；随时随地观看NBA比赛，让你不再错过每一场精彩的球赛，看NBA赛事就是这么简单，而且还有很多专业的球员在线解说和分析，让你更加懂篮球，非常适合球迷用户。

手机视频看NBA的软件推荐如下:

1、新浪体育:

通过创新浏览交互展现10余项赛事视频直播点播和海量比赛数据及新闻报道，支持一键分享到微博、微信，并提供多种个性化提醒模式。提供最快速、最全面、最专业的赛事视频直播点播和体育新闻。

2、看比赛客户端:

涵盖NBA、欧冠、五大联赛、 中超、网球、羽毛球、乒乓球、斯诺克等。

3、风云直播:

提供NBA直播，足球直播，CCTV5在线直播，CBA直播，英超直播，NBA在线直播，NBA视频直播。

4、直播吧:

主要搜集 *** 比赛的直播链接，包括内容：足球、篮球、网球、F1、斯诺克、围棋、棒球5、央视影音，中国更大的 *** 电视直播客户端，在线提供独家央视电视直播，100多套电视台高清同步直播，可通过软件进行比赛观看。

点击属性选项。点击上方的“控制面板”选项。找到“外观与个性化”选项，点击即可。点击“NVIDIA控制面板”选项。点击“管理3D设置”选项。点击右边程序设置，找到NBA2K20程序游戏，将使用全局设置都打开即可。

　　各种推荐算法不能仅仅是研发涉猎领域，作为PM，也要深入到算法内部，了解算法的设计，以及结合内容对算法不断“ *** ”，才能让产品的推荐算法不断完善，才能符合用户的口味。

目前比较流行的个性化推荐算法有以下几种：

　基于内容的推荐：根据内容本身的属性(特征向量)所作的推荐。

　基于关联规则的推荐：“啤酒与尿布”的方式，是一种动态的推荐，能够实时对用户的行为作出推荐。是基于物品之间的特征关联性所做的推荐，在某种情况下会退化为物品协同过滤推荐。

　协同过滤推荐：与基于关联规则的推荐相比是一种静态方式的推荐，是根据用户已有的历史行为作分析的基础上做的推荐。可分为物品协同过滤、用户协同过滤、基于模型的协同过滤。其中，基于模型的协同又可以分为以下几种类型：基于距离的协同过滤;基于矩阵分解的协同过滤，即Latent

Factor Model(SVD)或者ALS;基于图模型协同，即Graph，也叫社会 *** 图模型。

1、产品冷启动通过热度算法进行内容推荐

　产品发展初期，由于一方面没有用户行为、用户喜好、用户画像，另外也没有大量的内容样本基础，是很难开展个性化推荐的。所以在产品初期，一般采取“热度算法”，顾名思义就是把热点的内容优先推荐给用户。虽然无法做到基于兴趣和习惯为每一个用户做到精准化的推荐，但能覆盖到大部分的内容需求，而且启动成本比个性化推荐算法低太多。

热度算法基本原理：

　新闻热度分 = 初始热度分 + 用户交互产生的热度分 – 随时间衰减的热度分

　Score = S0 + S(Users) – S(Time)

　1)以新闻或视频较有时效性的内容举例，热度随内容陈旧而分值衰减。

　2)初始热度分不要一视同仁。

　按照新闻类别给予新闻不同的初始热度，让用户关注度高的类别获得更高的初始热度分，从而获得更多的曝光。军事>娱乐>体育>财经

　对于重大事件的报道，如何让它入库时就有更高的热度，我们采用的是热词匹配的方式。

　　即对大型新闻站点的头条，Twitter热点，竞品的头条做监控和扒取，并将这批新闻的关键词维护到热词库并保持更新;每条新闻入库的时候，让新闻的关键词去匹配热词库，匹配度越高，就有越高的初始热度分。这样处理后，重大事件发生时，Twitter和门户网站的争相报道会导致热词集中化，所有匹配到这些热词的新闻，即报道同样事件的新闻，会获得很高的初始热度分。

　3)用户交互的热度分值比重不一。首先明确用户的的哪些行为会提高新闻的热度值，然后对这些行为赋予一定的得分规则。

　例如对于单条新闻，用户可以点击阅读(click)，收藏(favor)，分享(share)，评论(comment)这四种行为，我们为不同的行为赋予分数，就能得到新闻的实时用户行为分为：

　S(Users) = 1click + 5favor + 10comment + 20share

　这里对不同行为赋予的分数为1,5,10,20，但这个值不能是一成不变的;当用户规模小的时候，各项事件都小，此时需要提高每个事件的行为分来提升用户行为的影响力;当用户规模变大时，行为分也应该慢慢降低，因此做内容运营时，应该对行为分不断调整。

　当然也有偷懒的办法，那就是把用户规模考虑进去，算固定用户数的行为分，即：

　S(Users) = (1click + 5favor + 10comment + 20share)/ DAU N(固定数)

　这样就保证了在不同用户规模下，用户行为产生的行为分基本稳定。

2、基于内容特征与用户特征进行个性化推荐

　　对于此种推荐，有两个实体：内容和用户，因此需要有一个联系这两者的东西，即为标签。内容转换为标签即为内容特征化，用户则称为用户特征化。对于此种推荐，主要分为以下几个关键部分：

　标签库

　内容特征化

　用户特征化

　隐语义推荐

　综合上面讲述的各个部分即可实现一个基于内容和用户画像的个性化推荐系统。

　标签库

　标签是联系用户与物品、内容以及物品、内容之间的纽带，也是反应用户兴趣的重要数据源。标签库的最终用途在于对用户进行行为、属性标记。是将其他实体转换为计算机可以理解的语言关键的一步。

　标签库则是对标签进行聚合的系统，包括对标签的管理、更新等。

　一般来说，标签是以层级的形式组织的。可以有一级维度、二级维度等。

标签的来源主要有：

　已有内容的标签

　 *** 抓取流行标签

　对运营的内容进行关键词提取

　对于内容的关键词提取，使用结巴分词+TFIDF即可。此外，也可以使用TextRank来提取内容关键词。

　这里需要注意的一点是对于关联标签的处理，比如用户的标签是足球，而内容的标签是德甲、英超，那么用户和内容是无法联系在一起的。最简单的方式是人工设置关联标签，此外也可以使用word2vec一类工具对标签做聚类处理，构建主题模型，将德甲、英超聚类到足球下面。

　内容特征化

　内容特征化即给内容打标签。目前有两种方式：

　人工打标签

　机器自动打标签

　针对机器自动打标签，需要采取机器学习的相关算法来实现，即针对一系列给定的标签，给内容选取其中匹配度更高的几个标签。这不同于通常的分类和聚类算法。可以采取使用分词 +Word2Vec来实现，过程如下：

　将文本语料进行分词，以空格,tab隔开都可以，使用结巴分词。

　使用word2vec训练词的相似度模型。

　使用tfidf提取内容的关键词A,B,C。

　遍历每一个标签，计算关键词与此标签的相似度之和。

　取出TopN相似度更高的标签即为此内容的标签。

　此外，可以使用文本主题挖掘相关技术，对内容进行特征化。这也分为两种情况:

　通用情况下，只是为了效果优化的特征提取，那么可以使用非监督学习的主题模型算法。如LSA、PLSI和GaP模型或者LDA模型。

　在和业务强相关时，需要在业务特定的标签体系下给内容打上适合的标签。这时候需要使用的是监督学习的主题模型。如sLDA、HSLDA等。

　用户特征化

　用户特征化即为用户打标签。通过用户的行为日志和一定的模型算法得到用户的每个标签的权重。

　用户对内容的行为：点赞、不感兴趣、点击、浏览。对用户的反馈行为如点赞赋予权值1，不感兴趣赋予-1;对于用户的浏览行为，则可使用点击/浏览作为权值。

　对内容发生的行为可以认为对此内容所带的标签的行为。

　用户的兴趣是时间衰减的，即离当前时间越远的兴趣比重越低。时间衰减函数使用1/[log(t)+1], t为事件发生的时间距离当前时间的大小。

　要考虑到热门内容会干预用户的标签，需要对热门内容进行降权。使用click/pv作为用户浏览行为权值即可达到此目的。

　此外，还需要考虑噪声的干扰，如标题党等。

　另，在非业务强相关的情况下，还可以考虑使用LSA主题模型等矩阵分解的方式对用户进行标签化。

　隐语义推荐

　有了内容特征和用户特征，可以使用隐语义模型进行推荐。这里可以使用其简化形式，以达到实时计算的目的。

　用户对于某一个内容的兴趣度(可以认为是CTR)：

　其中i=1…N是内容c具有的标签，m(ci)指的内容c和标签i的关联度(可以简单认为是1),n(ui)指的是用户u的标签i的权重值,当用户不具有此标签时n(ui)=0，q©指的是内容c的质量，可以使用点击率(click/pv)表示。

　3、其他运用

　除了个性化推荐，基于内容的相关性算法能精准地给出一篇新闻的列表，对相关阅读的实现非常有意义。此外，标签系统对新闻分类的实现和提升准确性，也有重要的意义。

　4、优缺点

　基于内容的推荐算法有几个明显优点：

　对用户数量没有要求，无论日活几千或是几百万，均可以采用;因此个性化推荐早期一般采用这种方式。

　每个用户的特征都是由自己的行为来决定的，是独立存在的，不会有互相干扰，因此恶意刷阅读等新闻不会影响到推荐算法。

　而最主要的缺点就是确定性太强了，所有推荐的内容都是由用户的阅读历史决定，所以没办法挖掘用户的潜在兴趣;也就是由于这一点，基于内容的推荐一般与其他推荐算法同时存在。

　基于用户的协同推荐

　　终于，经过团队的努力，你的产品已经有了大量活跃用户了，这时候你开始不满足于现有的算法。虽然基于内容的推荐已经很精准了，但总是少了那么一点性感。因为你所有给用户的内容都是基于他们的阅读习惯推荐的，没能给用户“不期而遇”的感觉。

于是，你就开始做基于用户的协同过滤了。

　基于用户的协同过滤推荐算法，简单来讲就是依据用户A的阅读喜好，为A找到与他兴趣最接近的群体，所谓“人以群分”，然后把这个群体里其他人喜欢的，但是A没有阅读过的内容推荐给A。

　举例我是一个足球迷，系统找到与我类似的用户都是足球的重度阅读者，但与此同时，这些“足球群体”中有一部分人有看NBA新闻的习惯，系统就可能会给我推荐NBA内容，很可能我也对NBA也感兴趣，这样我在后台的兴趣图谱就更完善了。

　1、用户群体划分

　做基于用户的协同过滤，首先就要做用户的划分，可以从三方面着手：

　(1)外部数据的借用

　这里使用社交平台数据的居多，现在产品的登录体系一般都借用第三方社媒的登录体系，如国外的Facebook、Twitter，国内的微信、微博，借用第三方账户的好处多多，例如降低门槛，方便传播等，还能对个性化推荐起到重要作用。

　因为第三方账户都是授权获取部分用户信息的，往往包括性别，年龄，工作甚至社交关系等，这些信息对用户群划分很有意义。

　此外还有其他的一些数据也能借用，例如IP地址，手机语种等。

　使用这些数据，你很容易就能得到一个用户是北京的还是上海的，是大学生还是创业者，并依据这些属性做准确的大类划分。

　比如一篇行业投资分析出来后，“上海创业圈”这个群体80%的用户都看过，那就可以推荐给剩下的20%。

　(2)产品内主动询问

　常见在产品首次启动的时候，弹框询问用户是男是女，职业等，这样能对内容推荐的冷启动提供一些帮助。但总体来说，性价比偏低，只能询问两三个问题并对用户的推荐内容做非常粗略的划分，同时要避免打扰到用户;这种做法算是基于用户个性化的雏形。

　(3)对比用户特征

　新闻的特征加用户的阅读数据能得到用户的特征，那就可以通过用户特征的相似性来划分群体。

　 最后总结，没有一款完美的个性化推荐算法，毕竟用户的心里你别猜别猜别猜，但是产品经理还是要结合自身产品不断打磨算法。