NLP
文章平均质量分 93
没有胡子的猫
这个作者很懒,什么都没留下…
展开
-
使用字符级 RNN 对名称进行分类
使用字符级 RNN 对名称进行分类字符级 RNN 将单词读取为一系列字符,在每一步输出预测和隐藏状态,将其先前的隐藏状态输入到下一时间步。将最终预测作为输出,即单词属于哪个类。具体来说,我们将训练来自 18 种起源语言的数千个姓氏,并根据拼写预测名称来自哪种语言:示例: $ python predict.py Hinton (-0.47) Scottish (-1.52) English (-3.57) Irish $ python predict.py Sc原创 2021-07-04 13:53:37 · 232 阅读 · 1 评论 -
【论文阅读】Is Graph Structure Necessary for Multi-hop Question Answering?
Is Graph Structure Necessary for Multi-hop Question Answering?论文:EMNLP 2020-Is Graph Structure Necessary for Multi-hop Question Answering任务探讨多步推理问答任务中是否需要图结构的问题。验证自注意力或者Transformer可能更加擅长处理多步推理问答任务。方法(模型)本文的实验使用Distractor设定。基线模型使用一个检索模型检出候选段落中原创 2020-12-06 15:17:28 · 365 阅读 · 0 评论 -
【GCN】论文浅读:SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS
title: GCNcover: https://gitee.com/Asimok/picgo/raw/master/img/MacBookPro/20201112141842.jpgGCNGCN:图卷积网络SEMI-SUPERVISED CLASSIFICATION WITH GRAPH CONVOLUTIONAL NETWORKS:基于图卷积网络的半监督分类任务在图结构数据中,一部节点已知标签,剩下的节点标签未知,使用已知标签的节点训练卷积神经网络,使用网络模型对无标签的节点进行分.原创 2020-11-12 19:38:29 · 591 阅读 · 0 评论 -
【HOLE】论文浅读:Holographic Embeddings of Knowledge Graphs
HOLEHolographic Embeddings of Knowledge Graphs基于向量的循环相关任务提出全息嵌入(holographic embeddings,HOLE)来学习整个知识图的组成向量空间表示。在组合向量空间模型的框架内研究从知识图谱学习的问题。方法(模型)compositional vector space models组合向量空间模型Pr(ϕp(s,o)=1∣Θ)=σ(ηspo)=σ(rpT(es◦eo))Pr(\phi_p(s,o)=1|\T.原创 2020-11-04 15:36:51 · 2815 阅读 · 0 评论 -
【TransE】论文浅读:translating-embeddings-for-modeling-multi-relational-data
TransE《Translating Embeddings for Modeling Multi-relational Data》任务在低维向量空间中,将多种关系的图谱中的实体和关系在一个低维空间中进行表示,获得每个实体的表征结果。提出一种易于训练的规范模型,该模型包含数量较少的参数,并且可以扩展到非常大的知识库。对知识图谱中的多元关系数据进行建模,在不引入额外知识的情况下,高效的实现知识补全,关系预测。方法(模型)TransE:基于能量的模型,用于学习实体的低维嵌入。关系作为原创 2020-10-20 20:55:33 · 1274 阅读 · 0 评论 -
知识图谱嵌入(KGE):方法和应用的综述(持续更新)
知识图谱嵌入(KGE):方法和应用的综述1. 知识图谱(KG)由实体(节点)和关系(不同类型的边)组成的多关系图。每条边都表示为形式(头实体、关系、尾实体)的三个部分,也称为事实1.1 问题这类三元组的底层符号特性通常使KGs很难操作1.2 解决:提出了一种新的研究方向——知识图谱嵌入。1.3 关键思想嵌入KG的组件,包括将实体和关系转化为连续的向量空间,从而简化操作,同时保留KG的原有的结构。2. 融合事实信息2.1 平移距离模型平移距离模型利用了基于距离的评分函原创 2020-10-15 10:27:54 · 2475 阅读 · 0 评论