苏剑林两篇文章，GPLINKer

最新推荐文章于 2025-02-18 21:39:10 发布
最新推荐文章于 2025-02-18 21:39:10 发布
阅读量1.1k 收藏 4
点赞数 1
文章标签： 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43681719/article/details/125613172
版权
for SOTA
关注
相似度衡量（需复现）：苏剑林博客2：Unsupervised Opinion Summarization Using Approximate Geodesics
Hekena的博客
12-07 630
我觉的这篇论文可以细细研读，针对比较关心的几个问题，给了解决方案，在各向异性，在语义表示上，都提出了一些改进。我觉得可以。 可以作为复现论文之一。论文围绕两个问题： 1 如何获得较好的语义表示向量？（传统预训练语言模型具有各向异性） 2 如何测算语义表示向量之间的相对距离？（基于统计的方法和基于语义的方法）opinion summary：自动化的生成准备的summary从线上用户的评论中。一般是基于无监督的方法。（无标注数据的原因） 大致分为两种，一种是general summary，即选择最佳的能够表示s
位置编码——苏剑林博客
Hekena的博客
04-12 1581
因为，要加入位置编码信息，所以，学习位置编码！！！加油 另外，Global的关系（PRGC）和Global pointer的NER，在统一上的使用，继续思考，就是之前的GG的想法！！！ 位置编码分为相对位置编码和绝对位置编码 ......
苏剑林“闭门造车”之多模态思路浅谈思考
最新发布
weixin_41905577的博客
02-18 704
原文来自科学空间苏剑林多模态思路浅谈，学习后总结。
网络牛网:苏剑林和他的科学空间
热门推荐
低调奋进
05-21 1万+
跟大家分享一位技术牛人：苏剑林，这也是我在同龄人比较钦佩的牛人，最贴切的比喻就是低调的扫地僧吧。先看看他的个人简介： 中山大学基础数学研究生，本科为华南师范大学。93年从奥尔特星云移民地球，因忘记回家路线，遂仰望星空，希望找到时空之路。同时兼爱各种科学，热衷钻牛角尖，因此经常碰壁，但偶然把牛角钻穿，也乐在其中。偏爱物理、天文、计算机，喜欢思考，虽擅长理性分析，但也容易感情用事，崇拜Feynman。爱好阅读，没事偷懒玩玩象棋，闲时爱好进入厨房做几道小菜，偶尔也开开数据“挖掘机”。明明要学基础数学，偏偏.
GPLinker代码学习
enchantedowl的博客
10-17 725
GPLinker代码学习
GPLinker学习笔记
m0_72410588的博客
05-08 728
GPLinker是一种基于图神经网络和注意力机制的方法，用于预测蛋白质-受体相互作用。本篇博客对GPLinker的原理、实现和应用进行了简单的讲解，希望能对大家在相关领域的研究和实践有所帮助。
花式自然语言处理-苏剑林
01-15
标题《花式自然语言处理-苏剑林》和描述表明，本文将探讨非传统的自然语言处理（NLP）方法，特别是放弃传统的循环神经网络（RNN）方法，转而使用卷积神经网络（CNN）和注意力机制（Attention），并结合具体的技术...
“端到端”的数学建模与数据挖掘 苏剑林
11-03
在《“端到端”的数学建模与数据挖掘》一书中，作者苏剑林通过对端到端学习思想的介绍，揭示了这种新范式在解决复杂问题方面的优势。与传统的建模手段相比，端到端的学习思想简化了建模流程，减少了人工干预，提高了...
GPLinker：基于GlobalPointer的实体关系联合抽取
qq_41898761的博客
06-13 2174
关系抽取乍看之下是三元组(s,p,o)（即subject, predicate, object)的抽取，但落到具体实现上，它实际是“五元组”(shs_{h}sh​,sts_{t}st​,p,oho_{h}oh​,oto_{t}ot​)的抽取，其中(shs_{h}sh​,sts_{t}st​分别是s的首、尾位置，而oho_{h}oh​,oto_{t}ot​则分别是o的首、尾位置。从概率图的角度来看，我们可以这样构建模型：问题： 直接枚举所有的五元组数目太多，假设句子长度为l，p的总数为n，即便加上shs_{h
多任务学习漫谈（一）：以损失之名 by 苏剑林
weixin_45683677的博客
01-18 455
文章目录多任务损失函数一般形式初始状态先验状态动态调节实时状态理想状态 多任务损失函数一般形式 如何确定αi\alpha_{i}αi​至关重要 初始状态 去除量纲 如果我们将每个损失函数看成具有不同量纲的物理量，那么从“无量纲化”的思想出发，我们可以用损失函数的初始值倒数作为权重，即 如何得到Li(init)\mathcal{L}_i^{(\text{init})}Li(init)​ ,可以考虑使用一个batch计算一下，或者根据分析得出经验初始值，比如，在主流的初始化之下，我们可以认为初始模型（加激活
GPLinker_pytorch：深度学习中的图谱嵌入工具
gitblog_00074的博客
04-07 564
GPLinker_pytorch：深度学习中的图谱嵌入工具 去发现同类优质开源项目:https://gitcode.com/ 在当前大数据时代，图谱数据已经成为理解和挖掘复杂关系的重要载体。 是一个基于 PyTorch 的高效图谱嵌入工具，它旨在将实体和关系表示为低维向量，从而助力于各种图谱相关的机器学习任务，如节点分类、链接预测等。 技术分析 GPLinker_pytorch 基于图谱神经网络（...
kg-baseline-pytorch：2019百度的关系抽取比赛，使用Pytorch实现苏神的模型，F1在dev集可达到0.75，联合关系抽取，联合关系提取
02-03
公斤基线火炬 2019百度的关系撤回比赛，Pytorch版苏神的基线，联合关系撤回。 模型 与苏神的模型相同，只不过开发框架由Keras + Tensorflow变成了Pytorch，给使用Pytorch的小伙伴分享。 苏神Keras版链接： : 代码中包含了许多苏神的代码，因此首先对苏神表示感谢！ 以下为苏神模型介绍 用BiLSTM做联合标注，先预测subject，然后根据suject同时预测object和predicate，标注结构是“半指针-半标注”结构，以前也曾介绍过（ https://kexue.fm/archives/5409 ） 标注结构是自己设计的，我看了很多关系抽取的论文
GPLinker：基于GlobalPointer的事件联合抽取
Paper weekly
03-22 4056
©PaperWeekly 原创 ·作者 | 苏剑林单位 | 追一科技研究方向 | NLP、神经网络大约两年前，笔者在百度的“2020语言与智能技术竞赛”中首次接触到了事件抽取任务，并在文章《bert4keras 在手，baseline 我有：百度 LIC2020》[1] 中分享了一个转化为 BERT+CRF 做 NER 的简单 baseline。不过，当时的 basel...
相似度衡量：苏剑林博客-3
Hekena的博客
12-08 1494
本文主要是对苏剑林老师之前的博客中，对相似度相关的内容稍作整理。
苏剑林GlobalPointer系列阅读笔记
enchantedowl的博客
10-06 2170
苏剑林GlobalPointer理论与实践
NLP-实体&关系联合抽取-2021：GPLinker
u013250861的博客
10-22 2016
（即subject, predicate, object)的抽取，但落到具体实现上，它实际是“五元组”这是长度的四次方级别的计算量，实际情况下难以实现，所以必须做一些简化。然而，直接枚举所有的五元组数目太多，假设句子长度为。的约束，所有五元组的数目也有。关系抽取乍看之下是三元组。
​GPLinker：基于GlobalPointer的实体关系联合抽取
Paper weekly
03-03 2690
©PaperWeekly 原创 ·作者 | 苏剑林单位 | 追一科技研究方向 | NLP、神经网络两年前，在百度的“2019 语言与智能技术竞赛”（下称 LIC2019）中，笔者提出了一...
NLP-实体&关系联合抽取-2022：GPLinker
u013250861的博客
10-22 676
bject)的抽取，但落到具体实现上，它实际是“五元组”关系抽取乍看之下是三元组。
学会提问的BERT：端到端地从篇章中构建问答对 By 苏剑林
weixin_45506611的博客
02-13 435
机器阅读理解任务，相比不少读者都有所了解了，简单来说就是从给定篇章中寻找给定问题的答案，即“篇章 + 问题 → 答案”这样的流程，笔者之前也写过一些关于阅读理解的文章，比如《基于CNN的阅读理解式问答模型：DGCNN》等。至于问答对构建，则相当于是阅读理解的反任务，即“篇章 → 答案 + 问题”的流程，学术上一般直接叫“问题生成（Question Generation）”，因为大多数情况下，答案可以通过比较规则的随机选择，所以很多文章都只关心“篇章 + 答案 → 问题”这一步。 本文将带来一次全端到端的“篇
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值