- 博客(4)
- 资源 (4)
- 收藏
- 关注
RSS订阅原创 自动文摘（Automatic document summarization）方法综述（四）——基于神经网络的（neural summarization）方法
前三篇博客（一）、（二）、（三）总结了抽取式自动文摘的一些经典方法，传统抽取式自动文摘方法将文档简单地看作是一组文本单元（短语、句子等）的集合，忽略了文档所表达的全局语义，难免“断章取义”。随着算力的提升，深度学习在很多应用中非常的火热也取得了state-of-the-art的性能，因此，将神经网络模型引入自动文摘任务是理所当然的，将文档用神经网络模型进行表示被称为神经文档模型（neural do...
2018-10-31 22:21:45
4551
2
原创 CNCC 2018技术论坛——知识图谱赋能数字经济
本周五报名参加了在杭州举办的CNCC 2018大会，听取了关于知识图谱的技术论坛——知识图谱赋能数字经济。共有6位专家讲者带来了精彩的主题报告，以及一个小时的Panel环节。本博客将整理总结分享专家的报告，共大家参考。1、周傲英：数据是催生数字经济的新动能——兼谈知识图谱的作用数字经济是什么？新动能是什么？数字经济最早在20年前提出，代表的是数字化，2016年G20峰会上，数字经济被再次提出...
2018-10-27 22:38:54
1604
原创 word2vec之CBOW模型与skip-gram模型
在对自然语言进行处理时，首先需要面对文本单元表示问题。单词（words）作为常考虑的最小文本单元，因而，如何将单词表示成恰当的词向量（word vector）成为了研究者们研究的重点。最简单直观的方法是one-hot representation，也称1-of-N representation，这种方式将每个单词表示成一个词汇表（vocabulary）大小的向量，其中绝大部分元素都是0，只有一个维...
2018-10-11 22:40:06
3697
原创 自动文摘（Automatic document summarization）方法综述（三）——基于次模函数（submodular function）最大化的方法
自动文摘（Automatic document summarization）方法综述的第一篇文章（一）总结了基于中心的（Centroid-based）方法和基于图的（graph-based）方法，第二篇文章（二）总结了基于最优化的（optimization-based）的方法。这篇博客将依旧整理基于最优化方法选取文本单元的方法，更确切的说，这篇博客将聚焦在次模函数（submodular funct...
2018-10-04 21:05:49
13274
不依靠第三方库实现一个神经网络
2019-05-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人