你知道为什么气象卫星拍到的地球总是那么美吗？那些火山、雪山、沙漠的标识，其实藏着不少设计巧思。今天我们就来聊聊，怎么用这些气象标识让你的微信文章瞬间高大上。是不是每次排版都觉得少了点专业感？

精心挑选的渐变色背景像打翻的调色盘，浪漫气球排版转眼变廉价婚礼现场。其实90%的排版翻车都栽在三个细节：盲目套用渐变色卡、气球堆砌过量、元素比例失调。

国际气象节快到了，不少运营者都在找地球白云星星主题的渐变色块设计，简单又应景。别等到节日当天手忙脚乱翻模板，这个指南能帮你提前理清思路。

83%的运营者被卡通风排版困在PS里调图层，张园长的秘密武器却在半小时内做出30w+曝光的开学预告——铅笔手绘的卡通气球飘在初秋落叶间，错落摆放的蜡笔课本背景瞬间唤醒家长童年记忆。

别担心，这个情人节模板专门设计了男孩女孩拥抱的场景，配上爱心气球、玫瑰花束和一封温馨的信封，让你的文章瞬间充满浪漫气息。从此，公众号排版不再是枯燥的活计，而是你作为自媒体人的情感表达方式。

六一将至，还在为公众号文章排版发愁？别担心！今天就来揭秘一个超厉害的方法，只需3分钟，就能用卡通可爱风六一模板打造出吸睛的图文排版。这个模板简直是排版神器，能让你的文章瞬间脱颖而出，轻松吸引读者目光。不管你是新手还是老手，都能快速上手。还等什么，快来试试吧！ HAPPYCHILDREN'S DAY六一儿童节嗨趣伴童心 快乐过六一儿童节快乐六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。嗨趣伴童心六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。01嗨趣伴童心六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。02快乐过六一六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。快乐过六一六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。嗨趣伴童心六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。快乐过六一六月的风，带着温暖与希望，轻轻拂过孩子们的笑脸。在这个充满欢声笑语的季节，我们迎来了孩子们的专属节日--六一儿童节。为了让孩子们度过一个难忘而快乐的节日，我们精心策划了一场充满欢乐与惊喜的六一晚会。这不仅是一场庆祝活动，更是一次心灵的盛宴,让孩子们在欢笑中感受成长的快乐，让童心在欢乐中绽放光彩。设计师 | 陈十一文案 | 请替换排版设计 | 陈十一END扫码关注小墨鹰编辑器获取更多精彩资讯使用说明：摄影图片 | CCO无版权图(请替换)头部插画 | 小墨鹰编辑器原创(会员可商用)样式图片 | 小墨鹰编辑器原创(会员可商用) 六一儿童节公众号图文模板ID：9860别再犹豫啦，赶快用这个卡通可爱风六一模板为你的公众号文章增添光彩。它操作简单，效果出众，能让你的文章别具一格。使用过程中若有疑问，随时联系我们。后续还有更多好看的微信公众号图文排版模板等你来发现，赶紧行动起来吧！

你可能见过很多篮球主题的公众号排版，但大多数不是配色太花哨就是元素堆砌得乱七八糟。今天这个篮球日模板，用简单的红蓝队服配色和卡通球员形象，就把球场对抗的张力表现得恰到好处。

当传统赛事报道陷入同质化困局时，我们发现那些引爆朋友圈的中学篮球内容，都在用视觉锤+情绪钩的黄金组合拳。这套专为校园篮球设计的逆天模板，用动态剪影打破平面排版局限，让每个投篮瞬间都自带热血BGM。

今天给大家分享的这套商务风篮球日模板，用暖橙色调和动感线条打造专业又吸睛的效果。学会这套模板，你也能轻松做出让人眼前一亮的篮球主题推文。

这套以排球运动员扣球动作为核心的卡通模板，已经帮30所高校做出了点赞过千的赛事推文，连体育系老师都说‘比专业记者做得还生动’。

秋季运动会的笔刷晕染渐变色、跑步排球羽毛球剪影，让您的推文瞬间鲜活起来。谁说排版必须苦练多年？这个模板简单得像随手涂鸦一样自然。

每到国际篮球日，不少公众号编辑就头疼——花大把时间调格式，结果图文杂乱，读者划走率高。这款简约扁平风模板，橙色渐变底色配上红色队服运动员扣篮动作和篮球框元素，3分钟轻松搞定专业排版。

你以为微信公众号排版里的大寒节气素材就只有那几种常见样式吗？其实免费又宝藏的大寒笔刷素材能让排版瞬间脱颖而出。

“大雪”节气到了，想给公众号推文起个既应景又有吸引力的标题，有时候确实会卡壳。其实，用你手边可能正在用的排版工具—— “小墨鹰编辑器” ——就能快速获得大量灵感。

2025年所有运动类公众号都在用云朵讲故事，你还在用静态图片堆砌足球热情吗？

篮球场上，男生飞身灌篮的瞬间点燃了整个校园——可真正让报道刷屏10w+的，从来不是球技，而是你微信公众号的文艺风排版细节。当别人还在用单调模板，一份恰到好处的排版能让校园赛事故事直击人心。

“大雪”节气一到，冬日的氛围就更浓了。这个时候的公众号推文，如果能在排版上加点应景的小心思，会特别有温度。用 “小墨鹰编辑器” 就能轻松实现，下面和你分享一下具体做法。

校园排球场边，阳光洒在卡通笔刷质感的排球上，孩子们跳跃的身影跃然眼前，你想用微信公众号记录这热血瞬间，却卡在了排版难题上。

元旦推送，如何在众多祝福中脱颖而出？答案是：用会“说话”的排版抓住第一眼。一个开篇的创意动态标题，一组勾勒新年氛围的定制分割线，或是一个点击展开的“年度回忆匣子”，都能让互动从打开文章的瞬间开始。排版不再是静态的装饰，而是引导参与、创造惊喜的互动引擎。本篇将聚焦那些能提升打开率和分享率的轻量级排版秘籍，用一些小而美的技巧，让你的元旦推文在新年信息流中闪闪发光。 第一部分：内容策划 在打开编辑器之前，必须先有“内容策略”，精准定位，了解你的读者，打造强力“钩子”这样才能吸引读者的阅读兴趣。 第二部分：排版实战 - 用编辑器来提升阅读体验 优秀的内容需要得体的“装扮”。由于微信平台自带编辑器功能单一，难以支持精美公众号文章制作，因此我们常常需要借助第三方编辑器来实现以下关键点： 第一步：建立视觉结构 统一模板：选择或创建一个风格统一的模板，并固定全文配色方案（主色、辅色不超过3种）。比如我日常使用的小墨鹰编辑器中元旦主题模版一键应用，能够快速奠定全文的基础板式，极大的提高公众号排版的效率。 设定标题层级：清晰定义H1(主标题)、H2(章节标题)、正文的字体、大小和间距，形成阅读导航。 第二步：打造节奏与呼吸感 模块化布局：使用卡片、分栏、引用框等组件将内容分隔成独立视觉区块。 善用留白：在段落、图片、模块之间增加间距（空行），避免信息堆积，让页面有呼吸感。 第三步：精准突出与引导 强调核心：对关键句子、数据、结论使用加粗、变色或特殊背景框进行高亮。 设置视觉焦点：在文首、文中转折处、文末使用醒目的按钮或图标，引导关注、互动或跳转。 第四步：预览与细节检查 多端预览：务必使用手机预览功能，检查在不同屏幕上的实际显示效果。 统一细节：确保所有图片风格、尺寸、圆角一致；检查链接是否正确；消除明显的排版错误。 此外，我们还可以借助编辑器中的其他功能来更好的实现公众号推文的排版。像编辑器中的AI绘画、AI快排、微信公众号工具等，这些编辑器中的功能可以大大的提高你在制作公众号推文的效率和质量。 工具的意义，在于将我们从重复的格式劳动中解放，让我们能更专注地打磨内容的核心。用好小墨鹰的模板与组件，不是让排版变得花哨，而是让优质的思考得以被更优雅、更高效地呈现。在这个注意力稀缺的时代，请别让你珍贵的内容，输在最后一步的呈现上。愿你用走心的构思，配上得体的排版，在2026年，赢得读者更长久的驻足与青睐。

在留言区聊聊你最近的教研小卡壳，客服会私你3个接地气的排版妙招。

9月9日~11日，腾讯全球数字生态大会将在云上举行，作为由腾讯主办的产业互联网年度盛会，大会预测洞察数字经济发展趋势，分享云计算、大数据、人工智能等技术创新成果，探索数字经济与实体经济融合发展路径，致力于实现腾讯与全球数字生态合作伙伴的相互连接和相互促进

深夜改稿时盯着满屏杂乱的排版元素，突然想起明天就是大寒节气。试着手动调整梅花枝桠的角度、反复调试远山雪景的透明度，半小时过去连首图都没完成——直到遇见这套自带结冰屋檐和飘雪动效的古风模板。

远山蓝天、桃花燕子、柳条太阳，这些传统节气元素已经帮你精心设计好，现在就用小墨鹰编辑器，轻松打造让人眼前一亮的爆款排版吧。

9月16日，长虹与中国国家羽毛球队（以下简称“中国羽毛球队”）在成都举行签约仪式，正式成为国家羽毛球队的赞助商。

在当下这个节气里，就拿冬至来说，利用充满卡通风的图像元素，结合小男孩小女孩、碗里的饺子汤圆还有下雪的冬天等特色元素，能让你的公众号排版独具魅力。

我正愁着芒种节气的微信公众号排版该用什么模板呢，突然就发现了这个神器！你看，它是文艺卡通风的，有着芒种二十四节气谷粒渐满、丰收在望的画面感，还有麦田里正在画画的小女孩子，特别吸引人。

鼠标在那些老土的色块之间反复横跳，刚插入的人物剪影硬是像P上去的球鞋广告——直到上周二中新媒体部例会，当篮筐渐变撞色遇见二次元热血分镜，所有人的手机闪光灯都在为这篇推送自动打call。

年底了，公众号都在发年度喜报，可红色大气模板一用就容易显得土气？明明想走商务风，城市线条碎片背景却让排版乱成一锅粥。

#20070;简(会员可商用) 立春公众号图文模板ID：11871，来源于小墨鹰编辑器掌握了这个远山绿树主题的立春模板，你的节气内容将瞬间提升专业感和吸引力

那么，你是否想过，一个好的图文排版能为职工篮球赛的宣传带来怎样的效果呢？在职工篮球赛的宣传中，吸睛的图文排版至关重要。

今天要为大家揭秘的这个微信公众号图文排版模板，它以科技风格为背景，聚焦技术成果的高效落地，运用了紫色线条渐变组合以及渐变科技球的设计，充满了科技感与未来感。这样的模板真的能有效激活技术转化密码吗？

别担心，小满节气专属的微信排版模板来啦！古风山间麦田的场景，搭配穿着古装的女生与桃花树枝，每一处细节都充满了文艺气息。利用这个模板，快速编辑排版，让你的公众号文章瞬间提升格调，快来试试吧！

谁说微信公众号排版只是让文字变好看？当教室课桌堆满碎纸屑和脏话，排版却能像整理书包一样，把防欺凌信息稳稳递到读者心里。可如果你的图文还在用杂乱布局，再紧迫的呼吁也会被淹没——这个描边风模板，怎么让防欺凌攻略真正戳中家长和老师的软肋？ 防校园欺凌为成长护航  预防校园欺凌主题活动  校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。拒绝霸凌 勇敢说“不”校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。拒绝霸凌01勇敢说“不”02       拒绝霸凌勇敢说不       PART.1校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。     防校园欺凌 为成长护航     PART.2校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。防校园欺凌 为成长护航防校园欺凌校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。      拒绝霸凌 勇敢说不      校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。    防校园欺凌 为成长护航    校园欺凌，是一种恶劣的行为，它不仅伤害了同学们的身体,更严重地伤害了他们的内心。那些被欺凌的孩子,或许会因为一时的胆怯而选择沉默，但内心的伤痛却如影随形。每一次的欺凌，都可能成为他们心中难以磨灭的伤痕，影响他们的一生。我们不能让这样的悲剧在我们的校园里发生,不能让任何一个同学在成长的道路.上受到伤害。设计师 | 陈十一文案 | 请替换排版设计 | 陈十一END扫码关注小墨鹰编辑器获取更多精彩资讯使用说明：摄影图片 | CCO无版权图 (请替换)头部插画 | 小墨鹰编辑器原创 (会员可商用)样式图片 | 小墨鹰编辑器原创 (会员可商用) 预防校园欺凌主题活动公众号图文模板ID：10751说实话，昨天用这个模板排了篇防欺凌文章，读者留言说画面感太强了，连校长都转发了。AI写作助手顺手给润了色，标题也改得更戳心，效果比预想的好两三倍。千万别碰这类素材，不然你的文章会美到让同事追着问链接。小墨鹰编辑器真是省心，几步操作就搞定专业排版。

小雪节气快到啦，如果你正在运营公众号，想做一个应景的排版却不知从何下手，别担心。今天就用小墨鹰编辑器，带你轻松搞定一份充满冬日氛围的“小雪”主题推送。

小雪节气快到啦，如果你正在运营公众号，想做一个应景的排版却不知从何下手，别担心。今天就用小墨鹰编辑器，带你轻松搞定一份充满冬日氛围的“小雪”主题推送。

导语Angel是由腾讯自研并开源的高性能分布式机器学习平台，它提供了用于特征工程，模型构建，参数调优，模型服务和AutoML的全栈设施。Angel-Graph作为Angel的通用型图计算引擎，已于今年五月份开源，能够轻松支持十亿级顶点、千亿级边的大规模图计算，并且提供了大量开箱即用的图算法，包括传统图挖掘、表示学习和神经网络相关算法，为支付、推荐、游戏、风控、图谱等多个业务场景提供计算服务。近期，Angel-Graph再次对大家常用的六款表示学习和神经网络学习算法，在算法精细度、可选参数、工程性能等方面进行了升级和优化。引言图表示学习在机器学习任务中得到广泛应用，其主要目标是将高维稀疏的图数据转化成低维稠密的向量表示，同时尽可能确保图数据的某些特性在向量空间中得到保留。而学习得到的低维向量则可以进入各种下游任务，比如分类、聚类、链路预测以及可视化等。图1展示了图表示学习的整体过程： 图 1. 图表示学习流程图表示学习方法大体可分为三类：基于分解的方法、基于随机游走的方法以及图神经网络方法。其中基于分解的方法通过对描述图数据结构信息的矩阵进行矩阵分解，将节点转化到低维向量空间中去，同时保留结构上的相似性。缺点是时间和空间复杂度高，难以处理大规模的图数据。基于随机游走的方法将在图中随机游走产生的序列看作类似NLP问题中的句子，节点看作词，以此类比词向量从而学习出节点的表示，典型的方法比如DeepWalk[1]、Node2vec[2]、MetaPath2vec[3]等。最大的优点是通过将图转化为序列的方式从而实现了大规模图的表示学习。图神经网络凭借其强大的端到端学习能力，能够自动融合拓扑和节点属性特征进行学习，越来越受到学术界和工业界广泛的关注。本文主要阐述了基于Angel-Graph图计算框架实现的基于游走和图神经网络的表示学习方法及其工程优化实践。Angel-Graph图计算引擎 图 2. Angel-Graph图计算架构基于Angel-Graph图计算框架的实现的图表示学习架构设计如图2所示，参数服务端（Parameter Server）存储了节点的邻接表以及每个节点的游走路径信息，Spark Executor端存储了边的分区数据以及对邻居节点的cache数据，Angel Agent则作为代理桥接Spark Executor和Parameter Server。该架构设计有如下优点：高扩展性：Angel的参数服务器可以水平扩展，存储十亿甚至百亿规模的参数；Spark则可以处理TB级别的数据。同时二者均可以运行于大集群之中，不会受到资源申请的限制。端到端处理：Spark提供了ETL数据处理能力，读写TDW/HDFS的能力支持稀疏数据：Angel的参数服务器为高维稀疏模型而设计，可以支持图节点的稀疏编码高容错：Spark自带了容错能力，Angel的参数服务器也具备状态恢复能力1. Graph Embedding算法1.1 DeepWalk1.1.1 原理2013年Word2Vec的出现对工业界和学术界产生了极大的影响，通过句子序列刻画词与词的邻居共现关系，Word2Vec进而学习到词的向量表示。KDD2014的DeepWalk算法也借鉴了Word2Vec的思想，通过使用随机游走(RandomWalk)的方式在图中进行节点随机采样，最终形成一条条贯穿网络的路径，进而捕捉节点间的共现关系。RandomWalk是一种可重复访问已访问节点的深度优先遍历算法。给定当前访问起始节点，从其邻居中随机采样节点作为下一个访问节点，重复此过程，直到访问序列长度满足预设条件，下图所示绿色部分即为一条随机游走示例： 图 3. 随机游走示例图中以根节点生成的一条随机游走路径（绿色）为，其中路径上的点（蓝色）分别标记为,,,...，截断随机游走(truncated random walk)实际上就是长度固定的随机游走。DeepWalk算法的伪代码如下，主要包括两个步骤，第一步为使用随机游走策略进行节点采样，生成节点序列；第二步为使用skip-gram模型word2vec学习表示向量，将节点映射到低维空间。 图 4.  DeepWalk算法伪代码1.1.2 实现方案以及工程优化我们使用Angel-Graph图计算框架分别实现了DeepWalk算法中的随机采样部分和基于skip-gram方法的Word2Vec部分，在实际使用只需要将两个步骤串行使用即可得到最终的结果。本节主要描述随机游走部分的实现，从存储架构上来讲，Spark Executor存储图的边的分区以及每个节点对应的采样路径，Angel参数服务器上则会存储节点邻接表。具体计算流程如下图所示： 图 5. DeepWalk算法实现架构1）初始化：将节点的邻接表push到Angel参数服务器存储，该表后续不再进行更新；Executor中将节点采样路径初始化为该节点自身2）随机采样：每一轮迭代时，获取每个节点采样路径尾节点，并在Angel参数服务器上对尾节点的邻居进行随机采样3）路径更新：将第二步中得到的采样节点pull下来添加到Executor对应节点路径尾部4）当迭代采样达到设定好的步长时整体迭代过程结束在实现的过程中，我们将邻居采样过程放在参数服务器上进行，这样就避免了在Executor中将节点整个邻居全部拉下来，减少与参数服务器的通信开销；而在Executor中，每个partition下所有节点的路径尾节点可能会存在重复节点，我们不需要从参数服务器重复性地采样，而是将partition中尾节点进行计数统计，并从参数服务器一次性采样对应个数的邻居节点，避免与参数服务器冗余通信。1.1.3 性能以及效果测试我们使用7.5亿顶点，60亿边的数据集进行测试，对所有节点完成一轮路径采样耗时约为40min分钟，单独一次采样时间为1min左右。此外我们拿优化前和优化后的方案在不同的数据集下做了性能测试，详细可参考下述表格。 表 1. DeepWalk实现方案对比（点击查看大图）两个方案方案性能对比，我们使用两个无权重数据集进行性能测试，数据情况如下： 表 2. DeepWalk测试数据信息运行时间对比如下表所示，我们可以看到优化后的版本在总体运行时间尤其是采样时间都有很大程度减少： 表 3. DeepWalk对比测试结果1.2 Node2vec1.2.1 原理图数据中节点间主要存在两种相似关系，homophily equivalence(同质性)与structural equivalence(同构性)。其中，具有homophily equivalence关系的节点在图结构中表现为构成紧密相连的领域，如图6中的{,,,,}，而具备structural equivalence关系的节点在图中未必紧密相连，但在图结构中具有相似的角色或地位，如图6中的节点和，它们都是各自所在领域的中心节点。Network Embedding就是通过挖掘图中节点的相似关系，学习出低维的embedding向量作为节点的特征表示，并且具备相似关系的节点的embedding向量也应当相似。 图 6. 图数据两种相似关系示意图不同的随机游走策略能够挖掘图中节点不同的相似信息。上文中提到的DeepWalk算法是基于uniform的采样策略提出的图表示学习算法，所谓uniform的游走策略是当walker处于任意节点时，其以“等概率”采样方式到达邻居节点中的一个，该策略本质上属于DFS(深度优先搜索)，其主要提取图中节点的homophily equivalence相似关系，而难以充分提取structural equivalence相似关系。LINE算法有所不同，其基于BFS(广度优先搜索)，主要提取structural equivalence相似关系而弱化了homophily equivalence相似关系。Node2Vec算法的随机游走策略吸取了二者优势，灵活结合了DFS与BFS，能够同时提取图中节点的homophily equivalence与structural equivalence两种相似关系，被称为dynamic游走策略。接下来我们简述这种策略。 图 7. dynamic游走策略转移概率示意图如图7所示，假设walker目前处于节点V并采用uniform游走方式，那么下一步walker到达的各个邻居节点的转移概率均相同，而Node2Vec主要是通过在每次游走前修改转移概率的方式来实现dynamic游走策略的。若在到达节点之前walker处于节点t处，此时要决定下一个节点，那么修改后的非归一化的转移概率为π,其中，修改系数为：另外，{}分别表示节点t与节点的其他邻居节点的最短距离。基于此标准，节点的邻居节点被分为三种类型，不同类型节点的转移概率的修改系数不同，通过系数，进行控制。我们可以通过调整，值的大小灵活实现dynamic游走策略对BFS和DFS的偏向程度。当越大越小时，更偏向于DFS策略；当越大越小时，更偏向于BFS策略；当，均为1时，node2vec的游走策略退化为原始的随机游走策略。1.2.2 实现方案以及工程优化Node2Vec随机游走采样算法在Angel-Graph框架具体的计算流程如下：邻接表和walkpath初始化：在每个边RDD分区中，executors并行地收集该分区中的节点-邻居集数据，然后push到参数服务器中的邻接表分区；基于初始化好的邻居表分区，将路径的前两个元素初始化为该节点的ID以及其随机采样的邻居节点ID完成节点-随机游走路径表的初始化。游走节点采样计算与walkPath更新：游走节点采样计算与walkPath更新是在各个partition并行进行的，在每个partition中进行采样操作直到次数达到所设定的walkLength停止条件后结束。其具体的操作为: 1）第一步为在每个executor数据分区内根据设置的batchSize拉取参数服务器上对应分区节点walkpath的最后两个节点ID（所拉取的两个节点ID分别为dynamic采样的当前节点和前一节点）。由于后续采样计算需要这两个节点的邻居集信息，因此，各个executor将对应的节点-邻居集数据拉取至本地； 2）第二步则是本地进行采样计算，在计算获得新的采样节点后，executor将采样结果push到参数服务器上的walkPath的对应部分进行更新，在dynamic随机游走实现中，相比于PartialSum与AliasTable方法，rejection sampling(拒绝采样)是较为高效的采样方式，其无需对转移概率进行预处理，实现每个节点每次采样的时间复杂度和空间复杂度分别为O(k)与O(1)，其中k为平均尝试次数，在较理想的情况下，k是一个接近于1的数。因此，我们采用了rejection sampling方法，关于rejection sampling方法细节可参考论文[4]。结果保存：当整个游走完成后拉取参数服务器上所有的walkpath保存为最终游走结果由于不同次操作可能拉取相同节点的邻居集数据，为了尽量避免重复拉取增加耗时，我们在各个excutor上分出一块存储空间用于存储已拉取的节点-邻居集数据(以参数cacheRatio作为控制cache存储空间占excutor总空间的比例)，之后若需要相同节点的邻居集信息便可以直接从本地读取，减少和参数服务器的通信耗时；此外有些图数据可能非常稠密，可能存在多个超级顶点，超级顶点的度可能达到几百万级别，这会导致拉取这些节点的邻居集的时候超时甚至不能拉下来，针对这个问题，我们会对这些超级节点的邻居集在参数服务器上分段存储，拉取的时候也同样分片拉取解决。1.2.3 性能以及效果测试我们在6.5千万点、18亿边以及7亿点、60亿边的业务数据集上对所实现的Node2Vec算法分别进行了测试，详细测试结果如下表所示： 表 4. Node2Vec算法流程各主要环节耗时性能结果（点击查看大图）1.3 MetaPath2vec1.3.1 原理MetaPath2Vec是一种从异构图上得到有效游走路径，并利用异构skip-gram(负采样时只采样当前类别的节点)方法的Word2vec模型训练得到图中各节点的embedding向量的方法。那什么是异构图呢，简单来说异构图是一种由多种不同属性的节点及其之间的连边构成的网络，即点的类别个数 + 边的类别个数 > 2，如下图异构网络所示，图中有Org、Author、Paper、Venue四种不同类型的节点。与DeepWalk不同的是，为了保留网络中节点的属性信息，MetaPath2Vec通过定义合适的metaPath路径来控制随机游走的方向。metaPath路径是由不同的顶点属性构成的对称序列，规定了当前节点的下一个采样范围。比如对于下图中的“APVPA”，当当前节点的属性是A(Author)时，下一个采样节点必须是属性为P(Paper)的节点，采样概率则与边的权重相关。 图 8. 异构网络1.3.2 实现方案以及工程优化对于无权图的采样，可以随机从采样范围中选择一个节点，此时采样的时间复杂度为O(1)；对于带权图，需要按照每个节点的边权重分布进行采样，此时时间复杂度为O(n)。为了提升采样效率，我们采用AliasTable方法，用空间换时间，将复杂度降低至O(1)。AliasTable是一种将离散非均匀分布转换成离散均匀分布后进行采样的方法，广泛应用在各种图游走中，具体可参考论文[5]MetaPath2vec的游走部分在Angel-Graph图计算框架的分布式实现逻辑如下： 1）每个节点按照给定的metaPath生成自己的AliasTable，将所有节点的aliasTable推到参数服务器上去（由参数服务器完成两步采样步骤，回传采样结果给executor端）； 2）以所有节点为游走初始点同时开始采样，统计该批次各采样顶点需要采样的次数，一次性从参数服务器获得该采样点的采样结果，分配到每条路径中去； 3）重复第2步直至达到预先设定的游走路径长度。为了提升游走效率，我们设计让ps和worker的各分区进行1对1通信来减少二者的通信连接数。具体做法是在每批次采样前，将参数服务器的数据分区同步映射到Spark的数据分区，保证参数服务器和executor间的分区一致性。这样做的好处是可以大大减少executor和参数服务器的通信连接，减少了数据分发和结果合并的耗时。该方法同时存在一个问题，即数据分区数与ps分区数一致，当数据量比较大时，任务并行度会受到限制。解决方法是将参数服务器分区进行拆解映射，此时参数服务器分区数和executor数据分区数不是1对1，而是1对n（n值较小）。此外，随着游走路径的加深，各采样点的采样压力会因边权重（对于无权图则是入度）的倾斜而不均衡，可以通过对ps端进行均衡分区来解决。具体来说，对于入度较大的节点所在的ps分区，节点数会相对少一些，来缓解该分区被频繁访问的压力。通过以上方式，可以使整体的采样效率有3倍的提升。 图 9. 分区策略优化示意图当数据规模较大时，ps的分区个数会限制worker的计算并行度（通常ps分区个数不会设很大，而数据分区个数需要与ps保持一致）。在这种情况下，我们提出了SquarePartitoner的分区方式，如下图所示。当ps分区个数为8时，数据分区为8*8=64，其中第0个数据分区中的src和dst节点都位于ps的第0个分区，而第1个数据分区的src和dst节点分别位于ps的第0和第1个分区，以此类推。当ps分区个数较大时，会出现数据分区爆炸的问题（如ps分区数为400，则数据分区数为16000），这时引入kernel的概念来缩小数据分区规模。比如kenel=2时，相邻的4个分区被合并为一个，可以保证数据分区不爆炸的情况下，单个数据分区需要通信的ps分区的数量也不会很多。 图 10. SquarePartioner示意图1.3.3 性能以及效果测试我们在7亿点，30亿边规模的业务数据上对算法性能做了测试。首先为了测试SquarePartitioner的有效性，我们在两个通信时间消耗较大的算法word2vec和line上与hashPartitioner进行了性能对比，可以发现SquarePartitioner在两个算法上每轮迭代的时间都约为HashPartitioner的三分之一。 图 11. SquarePartitioner在word2vec和line上的性能提升而在MetaPath的游走部分，当游走长度为30时，优化后总的游走耗时约28min，平均每轮约<1min，相比优化前性能提升了3倍1.4 LINE1.4.1 原理同DeepWalk一样，LINE(Large-scale Information Network Embedding)也是一种基于邻域相似假设的方法，只不过与DeepWalk使用DFS构造邻域不同的是，LINE可以看作是一种使用BFS构造邻域的算法。此外，LINE还可以应用在带权图中(DeepWalk仅能用于无权图)。 图 12. 一阶和二阶相似度示意图LINE定义了两种节点相似度：一阶相似度和二阶相似度。一阶相似度为直接相连的节点之间的相似，形式化描述为若之间存在直连边，则边权即为两个顶点的相似度，若不存在直连边，则1阶相似度为0。如上图所示，6和7之间存在直连边，且边权较大，则认为两者相似且1阶相似度较高，而5和6之间不存在直连边，则两者间1阶相似度为0。二阶相似度为存在不直接相连但存在相同邻近节点的相似，如上图，虽然5和6之间不存在直连边，但是他们有很多相同的邻居顶点(1,2,3,4)，这其实也可以表明5和6是相似的，而2阶相似度就是用来描述这种关系的。形式化定义为，令表示顶点与所有其他顶点间的1阶相似度，则与的2阶相似度可以通过 和的相似度表示。若和不存在相同的邻居顶点，则2阶相似度为0。LINE算法的实现就是基于这两种相似度分别优化两个目标函数：其中，P1刻画了节点之间的一阶相似性(直接连边)，P2刻画了节点之间的二阶相似性(相似邻居)。换句话说，如果两个节点之间有连边，那么在嵌入的向量空间中两个节点也要靠近如果两个节点的邻居是相似的，那么在嵌入的向量空间中，两个节点也要靠近更详细的细节请参考论文[6]。1.4.2 实现方案以及工程优化LINE最初的实现方案是将节点的embedding向量按维度拆分到多个参数服务器上，节点之间的点积运算可以在每个参数服务器内部进行局部运算，之后再拉取到spark executor端合并。executor端计算每个节点的梯度，推送到每个参数服务器去更新每个节点对应的向量维度。它的优势在于避免了传输模型导致的大量网络IO，适用于节点编码向量维度较高的场景。但是此方案的缺点就是节点编码维度必须是模型分区个数的整数倍，这限制了模型分区的个数和计算并发度，此外，在实际的使用过程中训练的embedding向量的长度一般都不会超过300，那么使用此种方案效率并不高，因此，新的实现方案我们不在将节点的embedding向量进行切割，而是一个整体存在参数服务器，此外，我们使用节点id范围划分模型，没有分区个数限制，提高了计算的并发度，完整的实现架构流程可参考图5，其在参数服务器端存储的不再是邻接表，而是节点及其embedding向量。 1）数据存储：Spark Executor端存储边表，节点则按range partitioner的方式分布式存储在参数服务器端，每个节点有两个embedding向量，分别表示自身节点的embedding向量以及产生上下文顶点的embedding向量，embedding向量不做切割。从宏观视角来看参数服务存储的就是两个大小的embedding矩阵。 2）计算：参数服务器节点向量做初始化，executor端在每个数据分区内按batch去拉取节点、上下文节点以及负采样节点的的embedding向量做点积运算，然后计算梯度。由于需要拉取大量的节点embedding向量回executor本地进行计算，因此会产生大量的网络通信开销，因此我们会对拉取的参数在传输的时候做精度压缩，将单精度浮点数压缩成半精度浮点数传输，能够减少一倍的通信量。此外数据的分区策略我们仍然采用metapath实现里提到的优化分区策略，并且在每个batch内采用局部负采样的方法来获取负样本数据，该优化策略能够大大减少embedding向量拉取以及梯度push到参数服务器的耗时。上述精度压缩、分区策略以及局部负采样优化使得性能较之前能提升60%。 3）更新：将上一步计算得到的每个节点的梯度push到参数服务器做更新，同样使用压缩传输。 4）结束：迭代致指定轮数结束。由于跑LINE算法一般数据量级都很大，因此我们做了很多容错措施，比如定期写checkpoint，节点挂掉模型恢复等操作，此外我们还提供增量训练的功能。1.4.3 性能及效果测试我们在节点数8亿，边数125亿的业务数据上分别对带权和不带权版本的LINE算法做了性能测试，边不带权的有向图，每个节点Embedding的维度为128 ，每个epoch耗时 37.5分钟；边带权的有向图，每个节点Embedding的维度为128，模型初始化+全局alias table构建时间20分钟，每个epoch耗时 41分钟，详细如下表所示。 表 5. LINE算法测试结果（点击查看大图）2. GNN(Graph Neural Network)算法2.1 GAT2.1.1原理GAT(Graph Attention Network)[7]网络是一种基于空间的图卷积网络，它的注意机制是在聚合特征信息时，将注意机制用于确定节点邻域的权重。GAT网络使用masked self-attention层解决了之前基于图卷积（或其近似）的模型所存在的等权聚合问题。其基本思想是，根据每个节点在其邻节点上的attention，来对节点表示进行更新。在GAT中，图中的每个节点可以根据邻节点的特征，为其分配不同的权值。GAT的另一个优点在于，无需使用预先构建好的图。 图 13. GAT算法示意图输入数据：图网络(邻接表)；节点特征,（为节点数，为输入节点特征维度）；节点标签。输出数据：节点的embedding特征, （为输出节点特征维度）。根据GAT原理可以将计算分为两部分： 1）计算注意力系数： 为了计算每个邻居节点的权重，通过一个F'×F的共享权重矩阵W应用于每个节点，然后即可计算出attention系数：为一个共享注意力机制，即。这个系数可以表示节点对节点的重要度，当只计算节点的邻居节点，而不是图中任意节点时，被称作masked attention。如上图左边所示，可以对系数进行归一化并使用进行激活： 2) 计算节点embedding 当得到attention系数后，便可以利用如下公式得到节点的embedding输出：如上图右边所示为了能够更稳定的表示节点的embedding特征，还可以使用多头注意力机制，即同时使用个共享权重矩阵，得到个embedding输出，对于个embedding可以采用拼接或者平均的方式进行计算，公式如下：2.1.2 实现方案以及工程优化从算法的描述中可以总结出该算法的大体可分为：计算attention系数和计算embedding；其中计算attention系数时需要节点、该节点所有邻居，及这些节点的特征，计算embedding的过程则是对节点特征卷积的加权平均。该过程与GraphSAGE类似，但不同的是GraphSAGE会对邻居进行采样并且会有不同阶数采样，而GAT目前只使用一阶邻居。因此我们可以使用PyTorch on Angel中的GCN框架来实现，并针对GAT的特点进行邻居特征聚合。GAT实现框架如下图所示： 图 14. GAT实现框架一轮迭代具体的计算逻辑如下： 1）数据存储：节点的属性及算法参数存储在参数服务器上，边的信息存储在executor上。 2）数据准备：选取批量点作为中心，通过executor上的边信息获得这些点全部的一阶邻居节点，并从参数服务器上拉取节点对应的属性特征和算法参数。 3）聚合计算：利用在python端定义网络结构进行前向计算，并借助PyTorch的自动求导功能计算出梯度。其中注意力系数与embedding的前向计算公式如原理篇所示。 4）梯度更新：网络中算法参数大小数量由用户定义的图网络决定并初始化，通过加载模型文件将权重传到参数服务器端，以row partition格式存储，计算时从参数服务器端拉取，通过后向计算更新后将梯度再更新到参数服务器上。从原理中可以知道，GAT算法属于基于空域的GNN，因此在计算中不需要获得全图的信息，这样可以使得在计算中能够进行小批量并行计算，从而提升算法整体性能。此外图神经网络的节点特征一般都是只读的，因此我们在节点特征初始化后就将序列化好的特征存储在参数服务器上，这样就可以减少每次去拉取节点特征时序列化写的时间。2.1.3 性能以及效果测试为了验证算法的性能，我们在内部业务数据上进行了验证，在6亿点，8亿边的数据规模，计算迭代一轮耗时50s左右(其中包含计算训练结果指标与验证结果指标，如acc); 此外我们在公开数据集Cora上进行效果验证，与论文实验结果相比，准确率有1个点的提升。 表 6. GAT算法测试结果（点击查看大图）2.2 二部图GraphSage2.2.1 Bipartite GraphSAGE原理二部图上的表示学习任务在很多实际场景中有重要的应用价值，例如推荐系统，电商交易等。在这些场景抽象的图模型中，图中节点往往对应着两种不同角色(例如推荐系统中的user-item节点), 天然地对应着二部图的结构。传统的图表示学习算法，例如GraphSAGE, Random Walk等研究对象多在同构图上，而缺少了对异构图的建模能力。Bipartite GraphSAGE[8]算法则将同构图上的GraphSAGE扩展到二部图上，对二部图上的两种类型的节点都有很好的表征能力。一个二部图中存在两种节点，假设我们称之为user节点和item节点，图中的边只存在于user-item之间，而相同类型的节点之间无边相连。 图 15. user-item二部图二部图graphsage的主要思想是分别对user节点和item节点进行邻域信息聚合。在每一轮聚合中，一个user节点从它邻居item节点聚合信息，同样，一个item节点从它邻居user节点聚合信息。随着不断迭代进行聚合，图中每个user和item节点的embedding都包含了更大感受域的信息。 图 16.  aggregator 示意图在第轮迭代中，对于user节点，首先聚合邻居item节点的信息如下：同样地，对于item节点, 聚合其user节点信息：其中, 表示第轮聚合后user节点和item节点的embedding表示，初始embedding表示, 分别为user节点和item节点的输入features。表示聚合操作，采用均值聚合的形式。和为参数矩阵，分别代表item到user和user到item的转移矩阵。接下来，将聚合后的邻居信息与节点自身的embedding进行拼接，经过一个非线性激活层后，得到的结果即为此轮迭代后的节点embedding。其中，和参数分别表示聚合的权重矩阵，为激活函数。上述聚合过程过程重复次后，输出值即为最终的user embedding和item embedding。学习过程采用非监督的方式，在不依赖实际任务的情况下，根据图结构的显式或隐式信息，对模型参数进行更新。对于图中有边相连的节点，它们的embedding应该更加相近，而对于无边相连的节点，它们的embedding应该不相近。二部图对应的损失函数形式如下：其中，表示一对有边相连的user-item节点。函数根据的embedding和的embedding计算节点相似度。其中，代表负采样分布，和分别表示user和item的负样本数量。作为超参数，定义了负样本的权重。2.2.2 实现方案以及工程优化在Angel-Graph图计算框架实现二部图GraphSage需要解决三个问题：二部图数据存储方式如何进行节点采样如何加速迭代过程1）数据存储：从存储架构上来看，Spark Executor存储每个子图分区，Angel参数服务器上存储则需存储userGraph (user节点的features，user节点的邻接表)，itemGraph(item节点的features，item节点的邻接表)。这些信息在参数服务器上存储，有利于后续的采样操作。同时，将user节点的信息与item节点的信息分开存储，有利于索引ID的简化，即user与item属于独立的ID体系，用户的输入数据中，无需对节点ID进行额外的预处理来区分两类节点。2）邻居采样方式：节点一阶邻居采样我们放在executor端来做，直接根据每个graph parition中存储的邻接表即可，快速高效；而二阶及更高阶邻居采样则依赖参数服务器，将采到的一阶邻居push到参数服务器上，使用psf进行二阶或更高阶邻居采样。3）minibatch迭代方式：在算法原理部分，我们介绍了每轮迭代需要对所有的节点根据聚合信息进行embedding更新。在我们的实现中，为了加速迭代过程，采用了小批量(minibatch)的迭代计算。实现方式与GraphSAGE的小批量迭代过程相似，即在每个minibatch中，我们需要在采样阶段就获取到该批次节点的P阶邻居。根据每个minibatch中的节点，先获取这些节点的一阶邻居，再获取到一阶邻居的邻居，以此类推。将所有这些邻域节点的features以及采样到的边均一次性输入神经网络的前向迭代流程中，完成一个minibatch的更新。二部图中，采样方式的区别在于，对于user节点，采样路径按照user-item-user-item..的metapath进行，而对于item节点，则按照item-user-item-user…的方式进行。通常采样到二阶就能达到较好的效果，至于采样邻居个数，假设采样一阶个，二阶个，建议。4）小批量更新：在每个minibatch中，节点embedding的更新方式与全量节点的更新方式类似。以聚合2阶为例，假设该minibatch节点集合表示为，采样阶段获取到一阶邻居为，一阶邻居的邻居为。更新则按照具体过程描述如下：第一步：所有节点聚合各自的邻居(聚合来自的信息，聚合来自的信息)第二步：节点再次聚合来自的信息(事实上第一步以后已经包含了的信息，因此经过第二步，聚合了和的信息)2.2.3 性能及效果测试为了验证算法有效性，我们在两个公开数据集movielens和dblp上进行了实验，其收敛曲线如下图： 图 17. 算法收敛曲线可以看到算法能较快的收敛，到第10个epoch已基本达到比较稳定的状态。3. 总结本文主要介绍了目前主流的图表示算法在Angel-Graph图计算框架上的分布式实现。目前上述算法均已开源到Angel项目，欢迎大家尝试使用，提出宝贵的意见和建议，帮助我们一起改进。此外，上述优化的算法我们也会部署到腾讯云供大家使用，敬请期待。我们将继续对现有Angel-Graph图计算框架进行性能优化和功能补充。4. 参考文献[1]: DeepWalk: Online Learning of Social Representations.[2]: A. Grover and J. Leskovec, “node2vec: Scalable feature learning for networks,” in Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining, 2016, pp. 855– 864.[3]: metapath2vec: Scalable Representation Learning for Heterogeneous Networks.[4]: K. Yang, M. Zhang, K. Chen, X. Ma, Y. Bai, and Y. Jiang, “Knightking: A fast distributed graph random walk engine,” in Proceedings of the 27th ACM Symposium on Operating Systems Principles, ser. SOSP 19. New York, NY, USA: Association for Computing Machinery, 2019, p. 524537. [Online].[5]: Darts, Dice, and Coins: Sampling from a Discrete Distribution.[6]: LINE:Large-scale Information Network Embedding.[7]: Velikovi P , Cucurull G , Casanova A , et al. Graph Attention Networks[J]. 2017.[8]: Li et al., "Hierarchical Bipartite Graph Neural Networks: Towards Large-Scale E-commerce Applications," 2020 IEEE 36th International Conference on Data Engineering (ICDE), Dallas, TX, USA, 2020, pp. 1677-1688, doi: 10.1109/ICDE48307.2020.00149.注：此文章来源于企业微信。

怎样排版才能让情感公众号更具文艺气息？ 想写一篇文艺又走心的文艺情感类公众号文章，但不知道怎么排版？别急，其实没那么难！

模板里有传统二十四节气里放风筝的小男孩小女孩，还有燕子、柳条、树木、房子、太阳、远山、蓝天白云、草地和河流等元素。当你正为立春时节不知道怎么排版而发愁时，这个卡通风模板就是你的救星。

小墨鹰编辑器每月新增300组动物保护主题素材，智能排版系统已实现从找图到调整行距的全链路自动化——上周有超过4.6万用户用动物星球系列模板完成10万+爆文制作。

别人排版公众号图文磨蹭一整天，你却能3分钟用小足球、球鞋和哨子元素围出吸睛运动风。简约不简单，红牌奖牌点缀成圈，轻松抓住读者眼球。今天就来挑战3分钟完成你的排版，试试手速吧！

想写一篇文艺又走心的文艺情感类公众号文章，但不知道怎么排版？别急，其实没那么难！如果你是新手，推荐你试试「小墨鹰编辑器」——界面清爽、操作简单，关键是模板和素材都特别有感觉。打开小墨鹰，直接在首页搜“文艺”“情感”“治愈”这类关键词，就能看到一堆现成的模板。比如带手写字体的封面图、留白恰到好处的段落样式，还有温柔色调的分割线，点一下就能套用，不用自己从头折腾。正文排版也不用愁。选个低饱和度的背景色，搭配简洁的字体，再加点小插画或胶片风边框，整体氛围立马就出来了。小墨鹰里这些元素都是现成的，点击写入就能用，连配色方案都帮你搭好了，省心又好看。另外，它的图片处理功能也很友好，一键去水印、调整图片，随手拍的照片也能变得很有故事感。写完还能预览效果，确认没问题文章也可以导出图片，完全不用担心格式错乱。总之，如果你想要那种安静、细腻、有点情绪又不浮夸的风格，小墨鹰真的挺适合入门。不用懂设计，也能做出有质感的文艺风排版。试试看，说不定你的下一篇文章，就成了朋友圈里被默默点赞最多的一篇。

都说成年人的世界里，充满了秘密：绝对不能发到工作群的沙雕表情包；和闺蜜吐槽男朋友的聊天记录；不能被爸妈看到的消费账单和余额……所以说，千万别以为你足够熟悉TA，就是完全懂TA。就像微信，每天与你相伴，你却未必真的了解。不信？那就先试试吧。入门级进阶题魔鬼题怎么样，全答对了吗？实话告诉你，这只是考前预热而已。现在，由微信公开课与疯狂游戏团队联合开发的「微信期末考」小游戏正式上线啦。有关微信更多的常识与「冷知识」，都藏在下面这份「考题」里了。点击来玩，看看你能得多少分？题目好玩，玩法很魔性。这就算了，还狂撒福利。只要你一路冲冲冲，冲进「微信期末考」小游戏世界排名前10，就可获得2020年微信公开课门票一张。单人作战还不够过瘾？组队作战也没问题！班级排行前10名，全体成员均可获得微信定制T恤一件。快来挑战吧，让你爱上期末考试。注：此文章来源于微信派。

小满时节，麦穗渐满，夏意渐浓，这样充满诗意的节气，用我们的模板进行编辑排版，瞬间让文章增色不少。只需简单操作，就能让文章风格焕然一新，极速打造出专属小满的独特氛围。快来试试吧！

#22696;鹰编辑器原创(会员可商用) 立冬二十四节气公众号图文模板

其实，有一个超实用的技巧能让你的排版瞬间开挂，那就是使用松树雪球模板。这种模板以商务风降温为主题，有着寒潮预警雪温度计，下面搭配着雪球和松树的元素，将其套用在排版中，能让商务预警内容一秒封神。

每一场热血沸腾的小学篮球赛，都像被按下了快进键的卡通片——飞扬的校服衣角、画满粉笔痕迹的操场，和孩子们涨红的小脸上甩出的汗珠，都该有更生动的记录方式。

你以为节气海报只能土味十足？这组商务风小暑模板彻底颠覆认知。当别人还在用大红大绿的荷花时，笔刷质感的碧绿莲蓬早已让甲方眼前一亮，现在收藏还来得及赶上节气热点。

小满节气专属排版模板来救你。在 5 月 21 日小满这个传统节气，以稻田里小孩插秧、蓝天白云远山为元素的模板，只需一键就能极速生成。

寒露刚过，微信后台铺天盖地的节气海报是不是让你焦虑？别急着卷设计！【芦苇+仙鹤+山水】的现成古风模板，后台改改文字就能用。

对于中学排球比赛这样充满活力与激情的活动，一个好的排版能让其魅力加倍展现。