<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[呜呜哈的博客]]></title><description><![CDATA[读读论文写写代码]]></description><link>https://blog.csdn.net/liuchonge</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; liuchonge]]></copyright><item><title><![CDATA[leetcode题解-Combination Sum系列]]></title><link>https://blog.csdn.net/liuchonge/article/details/79914330</link><guid>https://blog.csdn.net/liuchonge/article/details/79914330</guid><author>liuchonge</author><pubDate>Thu, 12 Apr 2018 15:18:08 +0800</pubDate><description><![CDATA[这个系列一共有四道题，每道题目之间稍微有些不同，下面通过对比来总结一下，四道题目都可以使用backtracking回溯方法做，当然也可以是使用DP进行求解。首先看第一道： 
39. Combination Sum

Given a set of candidate numbers (C) (without duplicates) and a target number (T), find all ...]]></description><category></category></item><item><title><![CDATA[HRED+VHRED+AWI模型介绍]]></title><link>https://blog.csdn.net/liuchonge/article/details/79237611</link><guid>https://blog.csdn.net/liuchonge/article/details/79237611</guid><author>liuchonge</author><pubDate>Fri, 02 Feb 2018 12:24:03 +0800</pubDate><description><![CDATA[这次会介绍三篇文章，因为原理比较相似，都是采用分层架构来解决多轮对话问题，三篇论文如下所示：


Building End-To-End Dialogue Systems Using Generative Hierarchical Neural Network Models(HRED)
A Hierarchical Latent Variable Encoder-Decoder Model for]]></description><category></category></item><item><title><![CDATA[A Diversity-Promoting Objective Function for Neural Conversation Models论文阅读笔记]]></title><link>https://blog.csdn.net/liuchonge/article/details/79144386</link><guid>https://blog.csdn.net/liuchonge/article/details/79144386</guid><author>liuchonge</author><pubDate>Tue, 23 Jan 2018 20:46:17 +0800</pubDate><description><![CDATA[本文是李纪为的论文“A Diversity-Promoting Objective Function for Neural Conversation Models”阅读笔记。违章提出使用MMI代替原始的maximum likelihood作为目标函数，目的是使用互信息减小“I don’t Know”这类无聊响应的生成概率。一般的seq2seq模型，倾向于生成安全、普适的响应，因为这种响应更符合语法]]></description><category></category></item><item><title><![CDATA[深度学习对话系统理论篇--数据集和评价指标介绍]]></title><link>https://blog.csdn.net/liuchonge/article/details/79104045</link><guid>https://blog.csdn.net/liuchonge/article/details/79104045</guid><author>liuchonge</author><pubDate>Fri, 19 Jan 2018 10:41:58 +0800</pubDate><description><![CDATA[对话系统常用评价指标当前对话系统之所以还没有取得突破性的进展，很大程度上是因为没有一个可以准确表示回答效果好坏的评价标准。对话系统中大都使用机器翻译、摘要生成领域提出来的评价指标，但是很明显对话系统的场景和需求与他们是存在差别的，这也是当前模型效果不是很好的原因之一。从对话系统不同的层次角度来评价对话系统的效果时，每个层面会有不同的关注点，如下图所示：从上图可以看出，黄色标识人类的主观角度，而蓝色表]]></description><category></category></item><item><title><![CDATA[从头实现一个深度学习的对话系统--tf.contrib.seq2seq API介绍]]></title><link>https://blog.csdn.net/liuchonge/article/details/79041698</link><guid>https://blog.csdn.net/liuchonge/article/details/79041698</guid><author>liuchonge</author><pubDate>Fri, 12 Jan 2018 11:00:17 +0800</pubDate><description><![CDATA[这篇文章就简单从源码的角度上分析一下tf.contrib.seq2seq下提供的API，首先来讲这个文件夹下面的几个文件和函数上篇文章中都已经提到而且介绍了他们之间的关系和如何使用，如果对源码不感兴趣就不用看下去了~~



BasicDecoder和dynamic_decode

为了简单起见，从decode的入口dynamic_deocde函数开始分析：



    dynamic_deco]]></description><category></category></item><item><title><![CDATA[从头实现深度学习的对话系统--新版本tf seq2seq API构建chatbot]]></title><link>https://blog.csdn.net/liuchonge/article/details/79021938</link><guid>https://blog.csdn.net/liuchonge/article/details/79021938</guid><author>liuchonge</author><pubDate>Wed, 10 Jan 2018 11:43:14 +0800</pubDate><description><![CDATA[上篇文章我们使用tf.contrib.legacy_seq2seq下的API构建了一个简单的chatbot对话系统，但是我们已经说过，这部分代码是1.0版本之前所提供的API，将来会被弃用，而且API接口并不灵活，在实际使用过程中还会存在版本不同导致的各种个样的错误。所以我们有必要学习一下新版本的API，这里先来说一下二者的不同：


新版本都是用dynamic_rnn来构造RNN模型，这样就避免]]></description><category></category></item><item><title><![CDATA[从头实现深度学习的对话系统--简单chatbot代码实现]]></title><link>https://blog.csdn.net/liuchonge/article/details/78929474</link><guid>https://blog.csdn.net/liuchonge/article/details/78929474</guid><author>liuchonge</author><pubDate>Fri, 29 Dec 2017 11:13:27 +0800</pubDate><description><![CDATA[从头实现深度学习的对话系统–简单chatbot代码实现

本文的代码都可以到我的github中下载：https://github.com/lc222/seq2seq_chatbot

预训练好的模型可以到我的百度云网盘中下载：

链接：https://pan.baidu.com/s/1hrNxaSk 密码：d2sn

前面几篇文章我们已经介绍了seq2seq模型的理论知识，并且从tensorflo]]></description><category></category></item><item><title><![CDATA[leetcode题解-Dynamic Programming简单类别题目汇总]]></title><link>https://blog.csdn.net/liuchonge/article/details/78862001</link><guid>https://blog.csdn.net/liuchonge/article/details/78862001</guid><author>liuchonge</author><pubDate>Thu, 21 Dec 2017 11:42:58 +0800</pubDate><description><![CDATA[今天刷了DP类别的5个简单级别的题目，这里简单总结一下，关于DP的定义以及一些常用的思路大家可以去看算法导论或者一些博客进行学习，这里就只关注这几个题目，不对DP进行很多介绍。70， Climbing Stairs && 746，Min Cost Climbing Stairs && 53. Maximum Subarray && 198. House Robber题目： 70. Climbing]]></description><category></category></item><item><title><![CDATA[从头实现一个深度学习对话系统--tensorflow Seq-to-Seq API介绍和源码分析]]></title><link>https://blog.csdn.net/liuchonge/article/details/78856692</link><guid>https://blog.csdn.net/liuchonge/article/details/78856692</guid><author>liuchonge</author><pubDate>Wed, 20 Dec 2017 19:32:45 +0800</pubDate><description><![CDATA[上一篇文章中我们已经分析了各种seq2seq模型，从理论的角度上对他们有了一定的了解和认识，那么接下来我们就结合tensorflow代码来看一下这些模型在tf中是如何实现的，相信有了对代码的深层次理解，会在我们之后构建对话系统模型的时候有很大的帮助。tensorflow版本升级之后把之前的tf.nn.seq2seq的代码迁移到了tf.contrib.legacy_seq2seq下面，其实这部分API]]></description><category></category></item><item><title><![CDATA[leetcode题解-71. Simplify Path && 43. Multiply Strings]]></title><link>https://blog.csdn.net/liuchonge/article/details/78839684</link><guid>https://blog.csdn.net/liuchonge/article/details/78839684</guid><author>liuchonge</author><pubDate>Tue, 19 Dec 2017 10:16:09 +0800</pubDate><description><![CDATA[好久没刷题了，感觉有些荒废，今天突然想到明年就要找工作了，吓得我赶紧刷两道压压惊==题目：43. Multiply StringsGiven two non-negative integers num1 and num2 represented as strings, return the product of num1 and num2.Note:The length of both num1 a]]></description><category></category></item><item><title><![CDATA[从头实现一个深度学习对话系统--Seq-to-Seq模型详解]]></title><link>https://blog.csdn.net/liuchonge/article/details/78824572</link><guid>https://blog.csdn.net/liuchonge/article/details/78824572</guid><author>liuchonge</author><pubDate>Sun, 17 Dec 2017 13:03:02 +0800</pubDate><description><![CDATA[上一篇文章已经介绍了几篇关于Seq-to-Seq模型的论文和应用，这里就主要从具体的模型细节、公式推导、结构图以及变形等几个方向详细介绍一下Seq-to-Seq模型。这里我们主要从下面几个层次来进行介绍：
Seq-to-Seq框架1
Seq-to-Seq框架2
Seq-to-Seq with Attention（NMT）
Seq-to-Seq with Attention各种变形
Seq-to-Se]]></description><category></category></item><item><title><![CDATA[从头实现一个深度学习的对话系统--1,论文简介]]></title><link>https://blog.csdn.net/liuchonge/article/details/78809555</link><guid>https://blog.csdn.net/liuchonge/article/details/78809555</guid><author>liuchonge</author><pubDate>Fri, 15 Dec 2017 09:43:42 +0800</pubDate><description><![CDATA[上篇文章我们介绍了DRL用于对话系统的应用，看完论文我们会发现，其是在一个Seq-to-Seq模型的基础上进行重新训练进而得到效果的提升，那么自然我们会想到如何使用Seq-to-Seq模型构造基础的对话系统呢，接下来我会使用几篇文章来一步步介绍使用Seq-to-Seq构造对话系统过程中所用到的知识和代码。首先让我们从提出Seq-to-Seq模型的论文说起：本文主要介绍下面几篇Seq-to-Seq刚被]]></description><category></category></item><item><title><![CDATA[Deep Reinforcement Learning for Dialogue Generation阅读笔记]]></title><link>https://blog.csdn.net/liuchonge/article/details/78749623</link><guid>https://blog.csdn.net/liuchonge/article/details/78749623</guid><author>liuchonge</author><pubDate>Fri, 08 Dec 2017 11:15:17 +0800</pubDate><description><![CDATA[文章亮点

本文是使用深度增强学习DRL的方法来解决多轮对话问题。首先使用Seq-to-Seq模型预训练一个基础模型，然后根据作者提出的三种Reward来计算每次生成的对话的好坏，并使用policy network的方法提升对话响应的多样性、连贯性和对话轮次。文章最大的亮点就在于定义了三种reward（Ease of answering、Information Flow、Semantic Cohe...]]></description><category></category></item><item><title><![CDATA[论文“Teaching Machines to Converse”阅读笔记]]></title><link>https://blog.csdn.net/liuchonge/article/details/78656771</link><guid>https://blog.csdn.net/liuchonge/article/details/78656771</guid><author>liuchonge</author><pubDate>Tue, 28 Nov 2017 16:48:08 +0800</pubDate><description><![CDATA[李纪为博士论文阅读笔记这是李纪为大神的博士毕业论文，趁热赶紧读一读，为自己科研道路指明方向。论文的下载地址是他的github1.1 背景知识介绍对话系统的分类及方法：
Chit-Chat-oriented Dialogue Systems： 闲聊型对话机器人，产生有意义且丰富的响应。 
Rule-based system：对话经过预定义的规则（关键词、if-else、机器学习方法等）处理，然后执行相]]></description><category></category></item><item><title><![CDATA[leetcode题解-647. Palindromic Substrings && 5. Longest Palindromic Substring]]></title><link>https://blog.csdn.net/liuchonge/article/details/78603748</link><guid>https://blog.csdn.net/liuchonge/article/details/78603748</guid><author>liuchonge</author><pubDate>Wed, 22 Nov 2017 14:57:40 +0800</pubDate><description><![CDATA[题目：Given a string, your task is to count how many palindromic substrings in this string.The substrings with different start indexes or end indexes are counted as different substrings even they consist]]></description><category></category></item><item><title><![CDATA[leetcode题解-8. String to Integer (atoi) && 468. Validate IP Address]]></title><link>https://blog.csdn.net/liuchonge/article/details/78600303</link><guid>https://blog.csdn.net/liuchonge/article/details/78600303</guid><author>liuchonge</author><pubDate>Wed, 22 Nov 2017 14:08:28 +0800</pubDate><description><![CDATA[今天开始刷String部分中等难度的题目，先看第一道Implement atoi to convert a string to an integer.Hint: Carefully consider all possible input cases. If you want a challenge, please do not see below and ask yourself what are]]></description><category></category></item><item><title><![CDATA[记忆网络之在对话系统中的应用]]></title><link>https://blog.csdn.net/liuchonge/article/details/78555958</link><guid>https://blog.csdn.net/liuchonge/article/details/78555958</guid><author>liuchonge</author><pubDate>Thu, 16 Nov 2017 22:00:50 +0800</pubDate><description><![CDATA[记忆网络之在对话系统中的应用前面几天看了下Jason Weston等人在对话系统方面的工作，可以看成是对Memory Networks的扩展吧，应用到了对话领域中，主要看了下面三篇论文，基本上是按照发表时间顺序来的，接下来我们逐篇来介绍一下其主要工作内容：
evaluating prerequisite qualities for learning end-to-end dialog system]]></description><category></category></item><item><title><![CDATA[leetcode题解-58. Length of Last Word && 67. Add Binary && 383. Ransom Note]]></title><link>https://blog.csdn.net/liuchonge/article/details/78538177</link><guid>https://blog.csdn.net/liuchonge/article/details/78538177</guid><author>liuchonge</author><pubDate>Wed, 15 Nov 2017 10:33:21 +0800</pubDate><description><![CDATA[今天的三道题目都特别简单，直接上题目和解法~~58.，Length of Last Word题目：Given a string s consists of upper/lower-case alphabets and empty space characters ' ', return the length of last word in the string.If the last word do]]></description><category></category></item><item><title><![CDATA[leetcode题解-459. Repeated Substring Pattern && 443. String Compression && 434. Number of Segments in]]></title><link>https://blog.csdn.net/liuchonge/article/details/78528274</link><guid>https://blog.csdn.net/liuchonge/article/details/78528274</guid><author>liuchonge</author><pubDate>Tue, 14 Nov 2017 10:57:38 +0800</pubDate><description><![CDATA[459,Repeated Substring Pattern题目：Given a non-empty string check if it can be constructed by taking a substring of it and appending multiple copies of the substring together. You may assume the given st]]></description><category></category></item><item><title><![CDATA[leetcode题解-686. Repeated String Match && 38. Count and Say]]></title><link>https://blog.csdn.net/liuchonge/article/details/78522866</link><guid>https://blog.csdn.net/liuchonge/article/details/78522866</guid><author>liuchonge</author><pubDate>Mon, 13 Nov 2017 19:57:45 +0800</pubDate><description><![CDATA[先看686这道题目：Given two strings A and B, find the minimum number of times A has to be repeated such that B is a substring of it. If no such solution, return -1.For example, with A = "abcd" and B = "cdabcda]]></description><category></category></item></channel></rss>