深度预习

摘要： 将知识图谱作为辅助信息引入到推荐系统中可以有效地解决传统推荐系统存在的稀疏性和冷启动问题，近几年有很多研究人员在做相关的工作。目前，将知识图谱特征学习应用到推荐系统中主要通过三种方式——依次学习、联合学习、以及交替学习。 依次学习（one-by-one learning）。首先使用知识图谱特征学习得 阅读全文

摘要： 统计分词： 统计分词的主要思想是把每个词看做是由字组成的，如果相连的字在不同文本中出现的次数越多，就证明这段相连的字很有可能就是一个词。 统计分词一般做如下两步操作： 1.建立统计语言模型（n-gram） 2.对句子进行单词划分，然后对划分结果做概率计算，获取概率最大的分词方式。这里就用到了统计学习 阅读全文

摘要： 本次实验内容是基于词典的双向匹配算法的中文分词算法的实现。使用正向和反向最大匹配算法对给定句子进行分词，对得到的结果进行比较，从而决定正确的分词方法。 算法描述正向最大匹配算法先设定扫描的窗口大小maxLen（最好是字典最长的单词长度），从左向右取待切分汉语句的maxLen个字符作为匹配字段。查找词 阅读全文

摘要： 一、 关系抽取综述 二、 远程监督关系抽取算法的滥觞 三、 多实例学习和分段最大池化 四、 句子级别的注意力机制 一、关系抽取综述 信息抽取是自然语言处理中非常重要的一块内容，包括实体抽取（命名实体识别，Named Entity Recognition）、关系抽取（Relation Extracti 阅读全文

摘要： 再构建event graph, 不免要用到event extraction的方法，这里引用了一篇别人的总结作为参考学习 https://www.cnblogs.com/cyandn/p/10915394.html 关系抽取 定义：自动识别实体之间具有的某种语义关系。根据参与实体的多少可以分为二元关系 阅读全文

摘要： 一、 认知智能 和 知识图谱 认知智能的核心在于机器的辨识、思考以及主动学习。其中，辨识指能够基于掌握的知识进行识别、判断、感知，思考强调机器能够运用知识进行推理和决策，主动学习突出机器进行知识运用和学习的自动化和自主化。这三个方面概括起来，就是强大的知识库、强大的知识计算能力以及计算资源。知识存在 阅读全文

摘要： 1.为什么知识图谱对于机器实现人工智能如此重要呢？ 知识图谱实现机器认知智能的两个核心能力：“理解”和“解释”。 机器理解数据的本质是建立起从数据到知识库中的知识要素（包括实体、概念和关系）映射的一个过程。 将知识库中的知识与问题或者数据加以关联的过程。有了知识图谱，机器完全可以重现我们的这种理解与 阅读全文

摘要： 论文题目： ERNIE: Enhanced Language Representation with Informative Entities（THU/ACL2019） 本文的工作也是属于对BERT锦上添花，将知识图谱的一些结构化信息融入到BERT中，使其更好地对真实世界进行语义建模。也就是说，原始 阅读全文

摘要： 借助阿里知识图谱的建设，阿里电商平台管控从过去的“巡检”模式升级为发布端实时逐一检查。在海量的商品发布量的挑战下，最大可能地借助大数据、人工智能阻止坏人、问题商品进入阿里生态。同时面临问题商家实时的对弈、变异和恶意攻击等诸多挑战，知识图谱仍然保持着每天千万级别的拦截量，亿级别的全量智能审核次数，在滥 阅读全文

摘要： 阅读全文