一、所有看过的论文
序号 | 标题+年份 | 作者 | 标签 | github代码链接 | 内容简述 | 原文链接 | 状态 |
---|---|---|---|---|---|---|---|
1 | Attention Is All You Need(2017年) | Ashish Vaswani∗,Noam Shazeer∗ | 模型,transformer,自然语言处理 | https://github.com/tensorflow/tensor2tensor | 主要讲了transformer的内容 | [1706.03762] Attention Is All You Need (arxiv.org) | 读完 |
2 | A Comprehensive Survey on Graph Neural Networks(2019年) | Zonghan wu,Shirui Pan | 图神经网络,综述论文 | 对图神经网络进行了分类,提出了4个未来的研究方向 | [1901.00596] A Comprehensive Survey on Graph Neural Networks (arxiv.org) | 读完 | |
3 | 基于强化学习的知识图谱综述(2021-2022年) | 马昂、于艳华等 | 强化学习、知识图谱 | 知识图谱和强化学习的综述 | 基于强化学习的知识图谱综述 (cqvip.com) | 读完 | |
4 | 知识图谱可解释推理研究综述 | 官赛萍 , 靳小龙 , 贾岩涛 | 知识图谱、知识推理 | 介绍近年来面向知识图谱知识推理方法的最新研究进展 | Microsoft Word - 5551新_官赛萍,29页_.doc (jos.org.cn) | 读完 | |
5 | 知识图谱构建技术综述(2022) | 张吉祥、张祥森、武长旭 | 知识图谱构建 | 梳理知识抽取、知识融合、知识推理3类知识图谱构建技术的发展历程 | 知识图谱构建技术综述 (ecice06.com) | 读完 | |
6 | 知识图谱事理推理 | 王军平 , 张文生 , 王勇飞, 孙正雅 | 图谱构建与推断分析 | 工业大数据 知识图谱 事理认知 人机行为演化分析 | https://dds.sciengine.com/cfs/files/pdfs/1674-7267/B9A90253CE6E47AD8A72B41BB1DFBFB5-mark.pdf | 读完 | |
7 | Convolutional Neural Networks for Sentence Classification | Yoon Kim | CNN、文本分类 | 使用CNN在文本分类任务(要复现) | [1408.5882] Convolutional Neural Networks for Sentence Classification (arxiv.org) | 读完 | |
8 | Deep Learning Based Text Classification:A comprehensive Review | Shervin Minaee,Nal Kalchbrenner | 对于文本分类的一个综述 | 文本分类的综述 | Deep Learning–based Text Classification: A Comprehensive Review: ACM Computing Surveys: Vol 54, No 3 | 读完 | |
9 | 人工智能大模型综述及展望(2023) | 罗锦钊, 孙玉龙等 | 大模型 | 大模型综述 | 人工智能大模型综述及展望 - 中国知网 (cnki.net) | 读完 | |
10 | A Survey on Natural Language Processing for Programming(2023) | Zhu, Qingfu, Luo, Xianzhen | 综述,自然语言处理 | 自然语言处理综述 | https://arxiv.org/abs/2212.05773 | 读完 | |
11 | A Survey on Deep Learning for Named Entity Recognition(2020) | Jing Li, Aixin Sun, Jianglei Han等 | 综述,实体识别 | 实体识别综述 | A Survey on Deep Learning for Named Entity Recognition | IEEE Journals & Magazine | IEEE Xplore | 读完 | |
12 | Multi-Modal Knowledge Graph Construction and Application: A Survey(2022) | Xiangru Zhu, Zhixu Li Member, IEEE, Xiaodan Wang等 | 综述、知识图谱 | 多模态知识图谱的构建和应用 | https://arxiv.org/abs/2202.05786 | 在读 | |
13 | 融合多模态数据的小样本命名实体识别方法(2023) | 张天明, 张杉, 刘曦, 曹斌, 范菁 | 综述、命名实体识别 | 多模态,命名实体识别 | 7069 (jos.org.cn) | 读完 | |
14 | 图像—文本多模态指代表达理解研究综述 | 王丽安,苏伟等 | 综述、指代表达理解任务 | 多模态,图像-文本 | 图像—文本多模态指代表达理解研究综述-Multimodal referring expression comprehension based on image and text: a review (ijournals.cn) | 读完 |
二、看过的论文的小结。
研究型论文
1.Attention is All you need
研究背景:当前的模型都是基于复杂的循环或者卷积神经网络。可以忽视文本序列输入的距离限制,解决长距离的依赖。具体实现内容参考自然语言处理综述。
模型结构:
总结:Transformer模型完全采用self-attention机制代替了传统使用的RNN模型结构,且在自然语言翻译方面取得了良好的效果,同时,transformer可以进行并行计算,而不是和RNN那样序列化计算,提高了计算效率,Transformer能够学习长距离元素之间的依赖,也解决了传统RNN模型的在序列很长时产生的梯度消失、梯度爆炸等问题。而且self-attention机制也可以对模型更好的进行解释。但transformer也有一些缺点,即计算量相对巨大,多头机制中的无效信息有很多。、
2.Convolutional Neural Networks for Sentence Classification
简单来说就是作者将cnn应用到了文本分类任务
Convolutional Neural Networks for Sentence Classification - 知乎 (zhihu.com)
论文复现
TextCNN的复现–pytorch实现 - 知乎 (zhihu.com)
综述性论文
1.A Comprehensive Survey on Graph Neural Networks
总结:在本篇综述中,对图神经网络的发展进行了综述,并且将图神经网络分为了4类分别是卷积图神经网络、循环图神经网络、图自动编码器、时空图神经网络。并且介绍了一系列图的应用,例如在交通、推荐系统、化学等发面的应用,也对数据集、开源代码、对图模型的评价指标进行了总结,最后提出了4种未来的研究方向。分别是模型的深度、scalability trade-off、同一个模型处理不同类型的图、对动态图的处理,由于实际生活中的图都是动态图,边和节点会实时的发生改变。GCN和GNN的理解和复现。
A Comprehensive Survey on Graph Neural Networks(图神经网络) - 知乎 (zhihu.com)
2.基于强化学习的知识图谱综述
基于强化学习的知识图谱综述 - 知乎 (zhihu.com)
3.面向知识图谱的知识推理研究进展
面向知识图谱的知识推理研究进展(综述论文总结) - 知乎 (zhihu.com)
4.知识图谱构建技术综述
知识图谱构建技术综述阅读总结 - 知乎 (zhihu.com)
5.知识图谱事理推理
6.Deep Learning Based Text Classification:A comprehensive Review
Deep Learning Based Text Classification:A comprehensive Review总结 - 知乎 (zhihu.com)
7.人工智能大模型综述及展望
8.A Survey on Natural Language Processing for Programming
A Survey on Natural Language Processing for Programming - 知乎 (zhihu.com)
9.A Survey on Deep Learning for Named Entity Recognition(2020)
A Survey on Deep Learning for Named Entity Recognition命名实体识别综述 - 知乎 (zhihu.com)
10.融合多模态数据的小样本命名实体识别方法(2023)
融合多模态数据的小样本命名实体识别方法 - 知乎 (zhihu.com)