yingzi的技术博客

动机：NER研究关注于flat NER,而忽略了nested NER方法：在本文中，使用基于图的依存关系解析中的思想，以通过biaffine model为模型提供全局的输入视图。biaffine model 对句子中的开始标记和结束标记进行评分，使用该标记来探索所有跨度，以便该模型能够准确地预测命名实体工作介绍：在这项工作中，我们将NER重新确定为开始和结束索引的任务，并为这些定义的范围分配类别，我们的系统在多层Bi-LSTM之上使用biaffine模型，将分数分配给句子中所有可能的跨度。

嵌套命名实体任务的解决，提出了一个新的框架：Adaptive Shared Network Architecture with Attentive CRF（ASAC）采用自适应共享（AS）机制自适应地选择预训练模型每一层的输出来编码输入文本，从而获得不同实体类别的不同特征，通过这种机制，可以从预训练语言模型不同层里去学习上下文特征，用于下游任务在解码阶段利用注意力条件随机场，它使其他实体识别任务的维特比解码输出作为查询。通过注意力机制将查询作为残差输入到原始CRF进行偏差校正。

在本文中，研究了在大规模知识库问答上的会话的两个问题- 语法中定义的行为不足以解决现实场景中的不确定推理- 知识基础信息未能充分利用，也没有被纳入语义解析中为了解决上述两个问题，我们提出了一个knowledge-aware fuzzy semantic parsing framework (KaFSP)。它定义了模糊比较操作在基于不确定推理的语法系统中，这部分涉及了模糊集理论。

最近预训练的模型关于中文的忽视了两个重要因素：字形和拼音。它们在语言理解上携带了重要的语法和语义信息。在本文的工作中，我们提出了ChineseBERT，结合汉字的字形和拼音信息。- 字形嵌入是基于不同字体，能够从视觉特征捕获字符语义- 拼音嵌入字符对汉字的发音进行了处理，处理了汉语中常见的同字异义现象（不同发音代表不同含义）

已经学习了一段时间有关复杂网络方面的资料。接下来想记录下自己一些心得体会。OK，let’go!谈到复杂网络，首先不得避免谈到汪小凡的著作《2006_复杂网络理论及其应用 - 汪小帆》，这时一篇入门的为数不多的中文著作。这里也给附上资源：OK，来简单讲述下自己最近所浏览的一篇论文《constructing ordinal partition transition networks from multivariate time series》中译为《从多元时间序列构造有序划分转换网络》中英文PDF版资源

最近新读了一篇文章《Characterizing stochastic time series with ordinal networks》中译为《用序数网络表征随机时间序列》,将这篇文章涉及到的知识点做个梳理，对其中涉及到的程序图大部分做了实现（一）时间序列转网络的方法给定一个时间序列{xt},t=1...N\{x_t\},t=1...N{xt​},t=1...N,及其序列的长度为N,我们构造一个n=N-d+1的重叠分区（其中d为嵌入尺寸）,xt→wtx_t\rightarrow w_txt​→wt