Linux下使用 github+hexo 搭建个人博客05-next主题接入评论系统

静态站点拥有一定的局限性,因此我们需要借助于第三方服务来扩展我们站点的功能。

而评论系统是最常用于和网站用户交流的,因此本章讲解在 next 主题,如何接入评论系统。

参考网站:Next 使用文档,第三方服务集成

http://theme-next.iissnan.com/third-party-services.html


常用评论系统

考虑到国内整体互联网环境,因此评论系统除了考虑到长期可用外,还需要考虑不会被屏蔽。
因此在这里推荐三款评论系统。

来必力

虽然是韩国的「撇开政治因素」,但是UI设计和后台管理也比较不错,数据可视化用到了图标来展示,所以有付费和免费两个版本,博客只需要用免费的就行了。
当然付费的效果主要体现在数据分析上,还可以取消掉免费版未来所带来的广告。
当然由于网站在国外,因此登录该网站有些慢,这个你要理解。

登录后可评论。

畅言

随着国内其他家评论系统的停服,畅言的地位比之前更加壮大,也正因此听说广告越来越多,饱受诟病。如果想去掉广告,很简单氪金充钱就行。
还有就是该评论系统注册时需要填写备案信息,这点请大家务必知晓。

登录后可评论。

Valine

由于我们使用的是Next 5.1.3版本,本身就已经集成了valine,因此正常情况下是按照官方文档走就可以了,5分钟开启你的评论系统。
因为我们的评论系统其实是放在 LeanCloud 上的,因此首先需要去 LeanCloud 注册一个账号。

可匿名评论。

综上所述,优先选择来必力或 Valine。


来必力评论

获取 livere_uid

当然怎么在来必力网站注册之类的我就不多说了。说一点:注册完毕提交信息后,可能会等两三分钟才会成功。

如果遇见韩文,那么可以用有道翻译或百度翻译。

如下页面可获取你的ID
在这里插入图片描述

在Next主题配置

当前版本的 Next 主题已经集成来必力评论系统,因此只需在主题配置文件中配置 livere_uid 即可。

[root@iZ28xbsfvc4Z next]# pwd  # 主题目录
/app/softinsall/hexo/themes/next
[root@iZ28xbsfvc4Z next]# vim _config.yml 
# Support for LiveRe comments system.
# You can get your uid from https://livere.com/insight/myCode (General web site)
livere_uid: MTAyMC8XXXXXXXXXXNw==

浏览器访问

在这里插入图片描述

数据分析页面

在这里插入图片描述


Valine 评论系统

LeanCloud 账号注册

LeanCloud 官网地址

https://leancloud.cn

请自行注册

创建应用

注册完毕后,创建应用,我这创建的的是 zhangblog。
在这里插入图片描述

在这里插入图片描述

创建Class

在这里插入图片描述

数据栏中,_开头的都是系统预定义好的表。

为了区分,新建一张表来保存数据。为了保证对NexT主题的修改兼容,新建Class名字必须为Comment

为了避免权限问题导致 次数统计显示不正常,选择无限制,创建Class。
在这里插入图片描述

获取 App ID 和 App Key 如下:

Class创建完成后,选择界面最左侧的设置 → 应用Key,复制App IDApp Key
在这里插入图片描述

安全加固

因为AppID以及AppKey是暴露在外的,为了确保只用于我们自己的博客,可设置Web安全域名,填入自己的博客域名
在这里插入图片描述

修改主题配置

上文说过,Next 5.1.3版本已经集成 Valine,因此我们只需在主题配置文件中修改即可。

[root@iZ28xbsfvc4Z next]# pwd  # 主题目录
/app/softinsall/hexo/themes/next
[root@iZ28xbsfvc4Z next]# vim _config.yml 
# Valine.
# You can get your appid and appkey from https://leancloud.cn
# more info please open https://valine.js.org
valine:
  enable: true
  appid: h7YmXXXXXXXXXXXXXXXXXX
  appkey: VhTXXXXXXXXXXXXXXX
  notify: false # mail notifier , https://github.com/xCss/Valine/wiki
  verify: false # Verification code
  placeholder: 来了,就撩两句呗! # comment box placeholder
  avatar: mm # gravatar style
  guest_info: nick,mail,link # custom comment header
  pageSize: 20 # pagination size

浏览器访问

在这里插入图片描述


推荐阅读

Linux下使用 github+hexo 搭建个人博客01-hexo搭建

Linux下使用 github+hexo 搭建个人博客02-hexo部署到Github Pages

Linux下使用 github+hexo 搭建个人博客03-hexo配置优化

Linux下使用 github+hexo 搭建个人博客04-next主题优化

Linux下使用 github+hexo 搭建个人博客05-next主题接入评论系统

Linux下使用 github+hexo 搭建个人博客06-next主题接入数据统计

Linux下使用 github+hexo 搭建个人博客07-next主题接入搜索和站点管理


在这里插入图片描述

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值