如是我闻__一时_

原创【论文笔记】Bidirectional LSTM-CRF Models for Sequence Tagging

Bidirectional LSTM-CRF Models for Sequence Tagging论文作者：Zhiheng Huang、Wei Xu 、Kai Yu单位：百度论文地址论文源代码文章目录Bidirectional LSTM-CRF Models for Sequence Tagging0 摘要1 引言2 模型2.1 LSTM Networks2.2 Bidirectional LSTM Networks2.3 CRF networks2.4 LSTM-CRF networks2

2021-10-10 20:31:17 821 1

原创【论文笔记】 Leverage Lexical Knowledge Base for Chinese NER via Collborative Graph Network

Leverage Lexical Knowledge Base for Chinese Namd Entity Recognition via Collborative Graph Network论文作者：Diaobo Sui*, Yubo Chen*, et al…作者单位：中国科学院论文地址论文源代码文章目录Leverage Lexical Knowledge Base for Chinese Namd Entity Recognition via Collborative Graph N

2021-10-08 10:20:59 618

原创【论文笔记】 A Lexicon-Based Graph Neural Network for Chinese NER

A Lexicon-Based Graph Neural Network for Chinese NER原始论文地址原始论文代码论文作者：Tao Gui* , Yicheng Zou* et al…作者单位：复旦大学文章目录A Lexicon-Based Graph Neural Network for Chinese NER0 摘要1 引言2 相关工作3 基于词典的图神经网络模型--LGN3.1 图的构造和聚合3.2 基于循环的图更新3.3 解码与训练4 实验细节5 实验结果与分析5.1 M

2021-10-07 11:53:11 1472

原创【斯坦福CS224W图机器学习】08 图嵌入

08 图嵌入文章目录08 图嵌入图嵌入-方法1-方法2-方法3 **Anonymous Walks Embedding**使用Anonymous Walks 嵌入图形New Idea： Learn Walk EmbeddingsLearn Walk Embeddings总结节点嵌入的应用图嵌入目标：想要嵌入一个子图或整个图，图形嵌入：ZGZ_GZG任务：分类有毒分子和无毒分子，识别异常图等-方法1简单的想法1：在（子）图上运行标准的图形嵌入技术，然后只计算（子）图中的节点嵌入的总和（或

2021-07-19 10:06:59 649 1

原创【斯坦福CS224W图机器学习】 07 节点嵌入的随机游走Ranndom Walk方法

07 节点嵌入的随机游走Ranndom Walk方法文章目录07 节点嵌入的随机游走Ranndom Walk方法注意NotationRandom Walk随机游走Random-Walk EmbeddingUnsupervised Feature Learning -- 无监督特征学习Feature Learning as Optimization -- 优化问题Random Walk Optimization负采样Negative Sampling随机梯度下降Stochastic Gradient De

2021-07-18 19:57:06 1001

原创【斯坦福CS224W图机器学习】06 节点嵌入Node Embedding

节点嵌入Node Embedding文章目录节点嵌入Node Embedding概述图表示学习 Graph Representation Learning节点嵌入Node EmbeddingSetupEmbedding NodesLearning Node Embedding两个关键的组件--编码器与解码器浅层编码“Shallow Encoding”框架总结节点嵌入上的注意点概述回顾传统的图机器学习方法：给定一个输入图，提取节点、链接和图级特征，学习一个模型(SVM、神经网络等。)将特征映射到标签。

2021-06-19 10:02:07 1202 2

原创【斯坦福CS224W图机器学习】05 传统图机器学习方法--图级别：特征和图核

传统图机器学习方法–图级别：特征和图核文章目录传统图机器学习方法--图级别：特征和图核1概述2 Graphlet KernelGraphlet FeatureGraphlet KernalWeisfeiler-Lehman KernalColor refinement图级别特征总结1概述目标：我们想要能够描述整个图的结构的特征背景知识：Kernel methods核方法广泛用于传统的ML的图级预测。想法：设计内核，而不是特征向量。对内核的快速介绍：图G、G′G、G'G、G′之间的内核K(

2021-06-19 09:58:44 1228 1

原创【斯坦福CS224W图机器学习】04 传统图机器学习方法--边级别：边的预测任务和特征

传统图机器学习方法–边级别：边的预测任务和特征1概述该任务是基于现有的链接来预测新的链接。在测试时，对所有节点对（不存在连接）进行排名，排名前K的节点对是将被预测的。关键是为一对节点设计特征链接预测作为任务链接预测任务中有两种形式：**1) Links missing at random: **删除一组随机的链接，然后目标是预测它们2) Links over time:通过相似度的链接预测背后思想**（研究方法Methodology）????*2边级别的特征基于距离的特征Di

2021-06-04 09:43:22 651

原创【斯坦福CS224W图机器学习】03 传统图机器学习方法--节点级别

目录1引言Machine Learning TaskTraditional ML Pipeline 传统机器学习管道线Feature Design 特征设计Machine Learning in Graphs 图机器学习2节点级别的任务和特征Node-level features节点级别的特征节点特征：节点的度Node degree节点特征：节点中心性Node centrality节点特征：Clustering coefficient节点特征：Graphlets图集3总结1引言Machine Learn

2021-06-03 18:12:25 681

原创【斯坦福CS224W图机器学习】作业 Colab0-Networkx库的使用

环境networkx 2.2matplotlib 2.2.3NetworkX is one of the most frequently used Python packages to create, manipulate, and mine graphs.import networkx as nxGraph图# 建立一个无向图GG = nx.Graph()print(G.is_directed())False# 建立一个有向图 HH = nx.DiGraph()print(H

2021-05-29 22:45:33 7043 2

原创【斯坦福CS224W图机器学习】02 图的表示

02 图表示的选择文章目录02 图表示的选择Component of a Network网络的组成Define a Graph 定义图有向图和无向图节点的度 Node Degrees二部图 Bipartite Graph邻接矩阵 Adjacency Matrix边列表&邻接节点列表节点和边的属性更多类型的图带自环的图和多重图无向图的连通性有向图的连通性Component of a Network网络的组成对象:节点、顶点联系：链接、边系统：网络、图Define a Graph 定义图

2021-05-28 17:27:16 400

原创【斯坦福CS224W图机器学习】01图机器学习及其应用

本系列博客是对斯坦福大学Jure Leskovec副教授所讲《CS224W图机器学习》所做的听课笔记。由于课程为英语授课，本人的英文理解不是很好，笔记中难免很有许多错误，欢迎大家一起纠错，一起学习。课程网址（源自于哔哩哔哩视频）文章目录1 为什么要学习图(Graph)2 图机器学习3 图机器学习的应用4 图机器学习案例4.1 节点级别的图机器学习任务4.2 边级别的图机器学习任务4.3 子图级别的图机器学习任务4.4 图级别的图机器学习任务1 为什么要学习图(Graph)"Graphs are..

2021-05-28 10:33:21 747

原创 Windows下解决8888端口被占用

1.在运行命令窗口，输入netstat -ano重点看这两行，找出8888端口对应的进程号。发现8888端口被进程号为9044的进程占用2.使用taskkill -PID 9044 -F 命令终止9044进程

2021-05-27 15:06:32 8297 2

原创【Datawhale第25期组队学习】Task05 集成方法

Task05 集成方法呜呜呜，这两天一直在忙着赶毕业论文，这里先直接贴出了【datewhale】的教程，等论文交了我在回看这一小节的知识叭~文章目录Task05 集成方法1、引言2、Feature Bagging3、Isolation Forests4、总结参考资料1、引言在实际场景中，很多数据集都是多维度的。随着维度的增加，数据空间的大小（体积）会以指数级别增长，使数据变得稀疏，这便是维度诅咒的难题。维度诅咒不止给异常检测带来了挑战，对距离的计算，聚类都带来了难题。例如基于邻近度的方法是在所有维度

2021-05-23 18:59:57 188

原创【SpringBoot前后端实战--任务打卡小demo】4 实现结果

【SpringBoot前后端实战–任务打卡小demo】4 实现结果分别用webstorm和IDEA运行前端和服务端代码实现效果(视频)：哔哩哔哩任务打卡demo1前端首页2 搜索搜索框输入“图”，点击搜索图标按钮3 增加任务点击提交按钮后，会弹出提示框点击确定按钮，回到首页，任务已成功添加4 修改任务点击修改成功修改5删除任务成功删除...

2021-05-19 09:08:03 206

原创【SpringBoot前后端实战–任务打卡小demo】3 分层设计与EasyCode的使用

【SpringBoot前后端实战–任务打卡小demo】3 分层设计与EasyCode的使用1 分层设计一般为了提高系统开发效率，使系统满足可伸缩性、可维护性、可重用性、可扩展性和系统可靠性等需求，在开发时采用应用分层的体系结构。在分层设计时主要分为4层结构：终端显示层。通常也称为View层，该层次直接与用户进行交互，良好的界面可以使用户有很好的用户体验，该层还显示服务器端返回的数据。流程控制层。通常也称为Controller层，该层作为连接前端和后端的桥梁，匹配用户发送的请求执行相应的方法，同时

2021-05-19 08:51:52 270 1

原创【Datawhale第25期组队学习】Task04：基于相似度的方法

Task04 基于相似度的方法文章目录Task04 基于相似度的方法1 基于距离的方法1.1 基于索引的方法1.2 基于单元格的方法1.3 KNN算法及其实现2 基于密度的方法2.1 基于密度的度量2.2 LOFLOF实战3 总结4 参考资料在本系列的第一篇博客中，我们提到了有基于相似度的异常检测算法，这一个博客中我将对这类算法做具体的阐述。基于相似度的方法一般分类两类：一是基于距离的方法，二是基于密度的方法。1 基于距离的方法基于距离的方法是一种常见的适用于各种数据域的异常检测算法，它基于最

2021-05-18 20:36:56 338 1

原创【SpringBoot前后端实战--任务打卡小demo】2 数据库设计、后台配置及实体类编写

【SpringBoot前后端实战–任务打卡小demo】2 数据库设计、后台配置及实体类编写1数据库设计数据库：脚本：/*Navicat MySQL Data TransferSource Server : mysqlSource Server Version : 80011Source Host : localhost:3306Source Database : dailytaskTarget Server Type : MYS

2021-05-18 16:04:32 294 3

原创【SpringBoot前后端实战--任务打卡小demo】1 前端页面设计

【SpringBoot前后端实战–任务打卡小demo】1 前端页面设计1 简述前端页面的设计部分采用的css框架是一个比较新颖的语义化框架semanticUI：https://zijieke.com/semantic-ui/，大家可以访问它的中午网站，进行学习，如果大家只想了解实现不想过多的将经历放在前端页面的设计上，那么也不用担心，我会将前端页面的设计代码贴出来。首先用WebStorm创建一个项目，项目的文件结构如下：js文件夹存放axios.js和jquery.min.js主要用于和后台服务器

2021-05-18 15:47:29 526 3

原创【SpringBoot前后端实战--任务打卡小demo】0 缘起

【SpringBoot前后端实战–任务打卡小demo】0 缘起1 起源大概一周前，我正在疯狂赶本科毕设，同时每天也在完成一些研究生方向的文献阅读和课程预习工作，由于我的记性不是很好，所以我那几天常常用一个txt文件记录下我每天要完成的任务点，等到一天结束的时候看看这些任务是否已经完成，完了了多少？突然有一天突发奇想，反正现在也是做毕设，不如用做毕设的技术来实现这个简单的工作，在完成任务打卡需求的同时也锻炼了技术，真是两全其美。于是乎，这个项目就开始筹划了。2 技术选型前端：axios异步请

2021-05-18 15:20:44 221

原创【Datawhale第25期组队学习】Task03：基于线性模型的异常检测

Taks03 基于线性模型的异常检测文章目录Taks03 基于线性模型的异常检测0 写在前面1 概述2 线性回归2.1 基于自变量与因变量的线性回归2.1.1梯度下降法优化目标函数2.1.2最小二乘法的正规方程法优化目标函数2.1.3 两种方法的比较2.2 基于异常检测的线性回归3 主成分分析13.1 原理推导3.2 归一化问题3.3 PCA算法实现4 总结5 参考资料0 写在前面上一个博客中，我们讨论了基于统计学的异常检测算法，其中还通过pyod库展示了两个demo，分别是一元正态分布的例子和HBO

2021-05-17 15:45:43 219

原创【kaggle官方教程英文原版】中级机器学习 7数据泄露

In this tutorial, you will learn what data leakage is and how to prevent it. If you don’t know how to prevent it, leakage will come up frequently, and it will ruin your models in subtle and dangerous ways. So, this is one of the most important concepts for

2021-05-15 08:34:29 315 3

原创【kaggle官方教程英文原版】中级机器学习 6复合树模型

In this tutorial, you will learn how to build and optimize models with gradient boosting. This method dominates many Kaggle competitions and achieves state-of-the-art results on a variety of datasets.IntroductionFor much of this course, you have made pre

2021-05-15 08:33:18 214

原创【kaggle官方教程英文原版】中级机器学习 5交叉检验

In this tutorial, you will learn how to use cross-validation for better measures of model performance.IntroductionMachine learning is an iterative process.You will face choices about what predictive variables to use, what types of models to use, what ar

2021-05-15 08:31:00 204

原创【kaggle官方教程英文原版】中级机器学习 4管线pipeline

In this tutorial, you will learn how to use pipelines to clean up your modeling code.IntroductionPipelines are a simple way to keep your data preprocessing and modeling code organized. Specifically, a pipeline bundles preprocessing and modeling steps so

2021-05-15 08:29:40 234

原创【kaggle官方教程英文原版】中级机器学习 3类别变量

In this tutorial, you will learn what a categorical variable is, along with three approaches for handling this type of data.IntroductionA categorical variable takes only a limited number of values.Consider a survey that asks how often you eat breakfast

2021-05-15 08:28:28 259

原创【kaggle官方教程英文原版】中级机器学习 2缺失值

In this tutorial, you will learn three approaches to dealing with missing values. Then you’ll compare the effectiveness of these approaches on a real-world dataset.IntroductionThere are many ways data can end up with missing values. For example,A 2 bed

2021-05-15 08:26:43 368

原创【kaggle官方教程英文原版】中级机器学习 1引言

Welcome to Kaggle Learn’s Intermediate Machine Learning micro-course!If you have some background in machine learning and you’d like to learn how to quickly improve the quality of your models, you’re in the right place! In this micro-course, you will accel

2021-05-15 08:25:00 194

原创【Datawhale第25期组队学习】Task02：基于统计学的异常检测算法

Task02：基于统计学的异常检测算法文章目录Task02：基于统计学的异常检测算法0 写在前面1 基于统计学的异常检测算法概述2 参数化方法2.1 基于正态分布的一元异常点检测2.2 基于正态分布的多元异常点检测3 非参数化方法4 基于角度的方法5 HBOS6 总结参考文献0 写在前面上篇文章，我们从异常检测的概念、异常检测方法、异常检测应用、异常检测面临的挑战和未来研究方向等方面对异常检测进行了全方位的介绍。本篇文章，我们将视角回到异常检测算法上来，下面将详细介绍基于统计学的异常检测算法.1

2021-05-14 16:19:22 601 2

原创【Datawhale第25期组队学习】Task01：异常检测介绍

Task01：异常检测介绍文章目录Task01：异常检测介绍0 写在前面1 异常检测的概念2 异常检测任务的分类2.1 有监督异常检测2.2 无监督异常检测3 常见的异常检测算法3.1 问题定义3.2 异常检测算法综述4 异常检测的实际应用4.1 欺诈行为检测（Fraud Detection）4.2 网络入侵检测（Network Intrusion Detection）4.3 癌细胞检测（Cancer Detection）4.4数据日志和过程日志5 异常检测面临的挑战6 未来的研究方向5参考文献0 写在

2021-05-11 09:44:59 252

原创【Datawhale第25期组队学习】Task00 熟悉规则

Task00 熟悉规则作者：张浩堃1 任务task修改群昵称，组队熟悉打卡规则2 时间轴timeline8号上午11：30报名成功中午12点左右，我们8个小伙伴顺利组建了学习小分队，队长是“Bear Brown????”，我们的队名是：“我们不做调包侠”。晚上9：00我们在助教老师的带领下，参加了“开营仪式”，首先在这之前，我简单的观看了Datawhale异常检测的简介视频，在开营仪式中，组长们率先完成自我介绍，随后各位小船员也是如此.我的自我介绍见下:【坐标】：郑州–>西安【

2021-05-09 08:57:47 133

原创【论文笔记】图的表示学习：方法和应用

Representation Learning on Graphs：Methods and ApplicationsWilliam L. Hamilton、Rex Ying、Jure LeskovecDepartment of Science Standford University论文地址：https://arxiv.org/abs/1709.05584v3目录文章目录Representation Learning on Graphs：Methods and Applications摘要1.

2021-04-29 10:11:13 1064

原创 @RestController注解和@Controller注解

@RestController和@Controller的区别@RestController注解相当于@ResponseBody + @Controller合在一起的作用。（1）如果只是使用@RestController注解Controller层，那么Controller层中的方法无法返回到jsp页面，配置的视图解析器InternalResourceViewResolver不起作用，返回的数据就是return语句里面的内容。例如：本来应该到success.jsp页面的，则其显示success（2）如果

2021-04-12 16:46:34 1169

空空如也

空空如也