知识图谱
文章平均质量分 88
mishidemudong
菜鸟上路,一颗红心,两手准备。
展开
-
饮冰l于 2021-02-05 15:16:54 发布 1288收藏 11分类专栏: 图 文章标签: 算法 数据挖掘 机器学习 深度学习版权图 专栏收录该内容66 篇文章 23 订阅订
前言:本文的作者认为对于 GNN 的可解释性不足。基于此,作者在节点分类任务上提出可以通过将忽略图结构的浅层模型与两个利用标签结构中相关性的后处理方法相结合,超越或匹配最先进的 GNN 。具体如下:(i)误差相关性:传播训练数据中的残余误差以纠正测试数据中的错误信息(ii)预测相关性:在测试集数据上进行平滑预测作者将整个过程称为 Correct and Smooth (C&S)。其中后处理步骤是通过对早期的基于图的半监督学习方法的标准标签传播方法进行修改实现的。该方法实现了惊人的性能提升,在 OGB-P转载 2022-09-10 22:39:34 · 522 阅读 · 0 评论 -
####好好好###图神经网络系统介绍与总结分析
图神经网络算法将深度神经网络的运算(如卷积、梯度计算)与迭代图传播结合在一起:每个顶点的特征都是由其邻居顶点的特征结合一组深度神经网络来计算。但是, 现有的深度学习框架不能扩展和执行图传播模型,因此缺乏高效训练图神经网络的能力,并且现有框架一般采用数据/模型并行来分布式训练深度神经网络,这种并行计算方法难以直接应用于图神经网络,因此限制了训练大规模图神经网络的能力。而现有的图处理系统虽然能够表示迭代图传播模型,并能有效支持大规模图的迭代计算,但是缺乏支持神经网络计算的关键能力,如张量抽象、自动微分等转载 2022-05-05 14:19:56 · 752 阅读 · 0 评论 -
###好好好好##知识图谱在金融风控领域的应用现状
2020年是个人触碰知识图谱时间最多的一年,技术知识的重新梳理和学习,相关项目的参与,几乎从年初持续到年末。一直想总结知识图谱在金融领域的应用现状,但总是挣不脱一个字:乱。最直观的“乱象”是不同机构对这项技术的称呼五花八门——关联网络、关系图谱、复杂网络、知识图谱。严格来讲它们彼此之间紧密相连又有所区别,本文并不打算严谨地去论证它们的区别和联系,请允许我偷懒采用图谱这个名称来泛指这项技术,就是各位所想的——节点-关系网络。图谱之乱远不止此。 金融风控技术演进路线是规则-模型-图谱,对应的技术分别是数转载 2021-10-12 14:48:09 · 650 阅读 · 0 评论 -
SIGIR‘21|SGL基于图自监督学习的推荐系统
本篇文章主要介绍王翔、何向南老师团队在SIGIR2021上发表的文章SGL,Self-supervised Graph Learning for Recommendation[1]。这篇文章提出了一种应用于用户-物品二分图推荐系统的图自监督学习框架。核心的思想是,对输入的二分图,做结点和边的dropout进行数据增强,增强后的图可以看做原始图的子视图;在子视图上使用任意的图卷积神经网络,如LightGCN[2]来提取结点的表征,对于同一个结点,多个视图就能形成多种表征;然后借鉴对比学习[5]的思路,构造自监转载 2021-10-09 17:02:34 · 1680 阅读 · 0 评论 -
常识推理问答相关最新研究进展
以深度学习为代表的智能感知技术已经取得了突破性进展,并已在各行各业产生了巨大的价值。目前,人工智能的研究领域已经逐渐从感知智能向认知智能领域过渡,其中,深度学习无法解决的一个主要问题是常识推理问题。常识知识是人类智能的重要体现,在计算机中通常以符号逻辑的知识表示形式存储和处理。最近,常识推理在多个研究领域受到了广泛关注,泽宇调研了最新发表的关于常识推理和引入常识知识的研究论文并和大家一起分享学习。1. 常识问答常识推理是指评估环境状况并采取相应行动的能力。识别环境的隐式原因和结果的能力可以使机器.转载 2021-07-19 00:40:16 · 838 阅读 · 0 评论 -
每日论文《Heterogeneous Graph Neural Networks for Extractive Document Summarization》
作为提取性文档摘要中的关键步骤,学习跨句关系已通过多种方法进行了探索。 一种直观的方法是将它们放在基于图的神经网络中,该网络具有更复杂的结构以捕获句子间的关系。 在本文中,我们提出了一种用于提取摘要的基于异构图的神经网络(HETERSUMGRAPH),该网络包含除句子外的不同粒度级别的语义节点。 这些额外的节点充当句子之间的中介,并丰富了跨句关系。 此外,我们的图结构通过引入文档节点,可以灵活地从单文档设置自然扩展到多文档。 据我们所知,我们是第一个将不同类型的节点引入基于图的神经网络中以进行提取文档摘要并原创 2021-06-28 09:31:19 · 470 阅读 · 1 评论 -
2021-06-21ACL2020 Heterogeneous Graph Neural Networks for Extractive Document Summarization
Heterogeneous Graph Neural Networks for Extractive Document Summarization 异构图神经网络提取文档摘要 摘要 1 引言 2 相关工作 3 Methodology 3.1 Document as a Heterogeneous Graph 3.2 Graph Initializers 3.3 H...转载 2021-06-21 23:01:13 · 448 阅读 · 0 评论 -
###好好好###异质信息网络分析与应用综述(石川)--阅读
文章目录 写在前面 前两章简单阅读 异质网络的基本概念 基于原路径的挖掘 异质网络的学习表示 浅层模型 基于分解的方法 基于元路径的随机游走的方法 基于关系的方法 深度模型...转载 2021-06-18 14:56:43 · 592 阅读 · 0 评论 -
####好好好######AAAI2021推荐系统论文清单
2021年第35届人工智能顶级会议AAAI论文列表已经放出,此次会议共收到9034篇论文提交,其中有效审稿为7911篇,最终录取篇数为1692篇,录取率为21.4%。由于境外疫情形势依然严峻,大会将在2月2日到2月9日在线上进行举办。较之去年接收篇数1590篇来说,今年的录取数量有所提升。通过对今年所接收的全部论文的标题进行分析,发现以下结论: 深度学习技术依然是目前来看比较火热的技术之一; 图结构数据(网络/知识图谱)依然是大家比较关注的数据形式之一; 强化学习/对抗学习...转载 2021-06-14 18:26:33 · 473 阅读 · 0 评论 -
###好好好###############基于图模型的智能推荐(含知识图谱/图神经网络)
目录一、基于知识图谱的智能推荐 1. 基于embedding的方法 2. 基于path的方法 3. 联合方法 4.结合知识图谱特征学习的推荐系统分类 二、基于图网络的智能推荐(写完发现等于介绍了一遍图网络!) 1. 知识图谱表示学习KGE与图网络表示学习的异同点 2. 图网络表示学习(network representation/embedding) 3. 图神经网络 三、知识图谱与图神经网络的相关问题探究 1.图神经网络是如何处理类似知识图谱的有向异构图的?..转载 2021-05-27 16:01:23 · 717 阅读 · 0 评论 -
###好好好####知识图谱如何应用到文本标签化算法中
前言丁香园和丁香医生业务中存在着大量的文章,帖子,公开问题等文本数据,采用简单的分词或者词典匹配的方法得到的关键词,在推荐和搜索场景中容易遇到准确性低下的情况。文本的标签生成是NLP领域的一项基础任务,目的是对文本更好地结构化,筛选重要的关键词,概括文本的中心语义。因此,我们探索了一套标签生成流程,其中除了应用了已有的信息抽取技术之外,还将医疗知识图谱结构,实体显著性判断,concept抽取融入模型,实现业务增长。关于标签生成,优化的方法大致有两种思路,第一种是在拥有一个较为完备的知识图谱后,如何使转载 2021-04-08 14:39:50 · 659 阅读 · 0 评论 -
文本生成12:4种融合知识的text generation
刘知远老师曾经讲过“NLP搞事情少不了知识指导”。研究深度学习和知识如何更有效的结合成了越来越多人关注的课题了。本文尝试从文本生成的角度,对融合知识的idea做了一个简单的汇总,大致有4个较为典型的方式:多任务学习(生成+文本蕴含) 基于knowledge graph 的文本生成 基于memory network 的文本生成 结合分布-采样进行文本生成需要提醒的是,这篇博客没有涵盖问答、对话和阅读理解等本身就以“知识”和“逻辑”为重的文本生成任务;此外我的学习笔记仅仅是抛砖引玉,很欢迎大转载 2021-04-05 17:56:09 · 1361 阅读 · 0 评论 -
KDD 2020 | 会话推荐系统新进展:基于互信息最大化的多知识图谱语义融合
论文标题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion论文来源: ACM SIGKDD 2020论文链接: https://arxiv.org/abs/2007.04032会话推荐系统(conversation recommender system, CRS)旨在通过交互式的会话给用户推荐高质量的商品。通常CRS由寻求商品的user和推荐商品的system组成,通..转载 2021-04-01 15:17:21 · 473 阅读 · 0 评论 -
基于知识图谱的推荐系统(KGRS)综述
导语 本文是2020年针对知识图谱作为辅助信息用于推荐系统的一篇综述。知识图谱对于推荐系统不仅能够进行更精确的个性化推荐,而且对推荐也是具有可解释性的,有迹可循。 本文汇总了近些年来知识图谱辅助推荐系统的一些研究工作,并按不同的方法进行划分类别(下图是我根据论文画出的大纲方法类别图);除此之外,汇总了不同场景下的知识图谱数据集,涵盖7个场景;最后阐述了未来的一些可研究方向及趋势。 ...转载 2021-03-10 09:47:30 · 15594 阅读 · 1 评论 -
KDD 2020 | 会话推荐系统新进展:基于互信息最大化的多知识图谱语义融合
论文标题: Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion论文来源: ACM SIGKDD 2020论文链接: https://arxiv.org/abs/2007.04032会话推荐系统(conversation recommender system, CRS)旨在通过交互式的会话给用户推荐高质量的商品。通常CRS由寻求商品的user和推荐商品的system组成,通..转载 2021-01-19 09:47:42 · 999 阅读 · 0 评论 -
###好好###远离送命题: 问答系统中语义匹配的『杀手锏』
本文将介绍一套『独创』的语义匹配方法论和一个杀手级模型本文受众: 自然语言处理/问答系统/智能助手/搜索/推荐等相关行业从业者 对自然语言处理/智能助手感兴趣的普通读者 1. 引子『问&答』是人和人之间非常重要的沟通方式,其关键在于:我们要理解对方的『问题』,并给出他想要的『答案』设想这样一个场景,当你的女朋友or老婆大人在七夕前一晚,含情脉脉地跟你说亲爱的,七夕快到了,可以给我换个新手机吗?而此时沉迷王者峡谷的你,也许会不假思索地回答好啊亲..转载 2021-01-15 17:19:16 · 393 阅读 · 0 评论 -
ACL 2020论文分享 | 基于对话图谱的开放域多轮对话策略学习
本文对百度NLP入选ACL 2020的论文《Conversational Graph Grounded Policy Learning for Open-Domain Conversation Generation》进行解读,该论文提出用图的形式捕捉对话转移规律作为先验信息,用于辅助开放域多轮对话策略学习,并提出了一个基于CG的策略学习框架。引言研究人员首先从对话语料库中构建了一个对话图谱(Conversational Graph),其中节点表示“What to say”和“How t...转载 2021-01-12 09:47:23 · 473 阅读 · 0 评论 -
多模态知识图谱
知识图谱技术已经被广泛用于处理结构化数据(采用本体+D2R技术)和文本数据(采用文本信息抽取技术),但是还有一类非结构化数据,即视觉数据,则相对关注度较低,而且相缺乏有效的技术手段来从这些数据中提取结构化知识。最近几年,虽然有一些多模态视觉技术提出,这些技术主要还是为了提升图像分类、图像生成、图像问答的效果,不能很好地支撑多模态知识图谱的构建。视觉数据库通常是图像或视频数据的丰富来源,并提供关于知识图谱中实体的充分视觉信息。显然,如果可以在在更大范围内进行链接预测和实体对齐,进而进行实体关系抽取,可以使现有转载 2020-12-31 11:03:25 · 986 阅读 · 0 评论 -
###haohaohao####知识图谱补全技术
导读:当前知识图谱已经被广泛应用在自然语言处理的各项任务中,但知识图谱中实体间关系的缺失也给其实际的应用带来了很多问题。因此,目前学术界围绕知识图谱的补全进行了大量的研究工作。本文主要对知识图谱补全相关的研究进展进行了归纳与分享。01背景介绍首先和大家分享下知识图谱的背景。知识图谱,在互联网行业已经被广泛应用于多种不同的领域,如推荐系统、搜索引擎、智能对话系统等。在AI时代,知识图谱是一项非常重要的技术。1.知识图谱主要研究方向知识图谱的主要研究方向包括知识获取、知识表示、.转载 2020-12-29 11:35:21 · 1018 阅读 · 0 评论 -
####haohaohao#####ACL 2020论文分享 | 基于对话图谱的开放域多轮对话策略学习
本文对百度NLP入选ACL 2020的论文《Conversational Graph Grounded Policy Learning for Open-Domain Conversation Generation》进行解读,该论文提出用图的形式捕捉对话转移规律作为先验信息,用于辅助开放域多轮对话策略学习,并提出了一个基于CG的策略学习框架。引言研究人员首先从对话语料库中构建了一个对话图谱(Conversational Graph),其中节点表示“What to say”和“How t...转载 2020-12-16 16:04:57 · 321 阅读 · 0 评论 -
####好好好#####ACL 2020 | 新任务:融合多个对话类型的对话式推荐
欢迎关注百度自然语言处理官方公众号 【百度NLP】 ,及时获取业界最新技术进展!!!阅读原文:https://mp.weixin.qq.com/s/f3dCOc4Mog9eZTl0k5YQew本文对百度入选ACL 2020的论文《Towards Conversational Recommendation over Multi-Type Dialogs》进行解读,该论文提出了一个新对话任务:融合多个对话类型的对话式推荐。本论文地址:https://arxiv.org/pdf/2005.03954转载 2020-12-11 17:30:37 · 270 阅读 · 1 评论 -
####好好好#####知识图谱上的双塔召回:阿里的IntentGC模型
关注本人的同学可能发现,我最近点评的文章都是关于"GNN在推荐系统应用"方向的。这当然与现如今这个方向非常火有关,但是作为一个合格的炼丹师+调参侠,总要搞清楚一门技术为什么火?这么火的技术对于自己是否有用?根据我的理解,由“传统机器学习→深度学习→图计算或知识图谱”这一路下来的发展脉络如下: 一切技术的目标都是为了更好地“伺候”好“推荐系统的一等公民 — ID类特征”。用户购买过的商品、光顾过的店铺、搜索过的关键词、商品的分类与标签,都是这样的ID类特征 传统的机器学习只会“严格匹配”。用户转载 2020-12-10 15:28:44 · 528 阅读 · 0 评论 -
###好好###知识抽取总结DeepIE方案
在现如今的NLP竞赛中,信息抽取(IE)任务已占据半壁江山。来,让我们看看今年的一些IE竞赛都有啥:看到如此众多的IE竞赛,心动的JayJay抽空参加了CHIP2020(中国健康信息处理大会)中的3个评测,最终获得了2个冠军、1个季军,具体如下表所示:评测任务名称 所获名次 评测网址 中文医学实体关系抽取 第一 http://cips-chip.org.cn/2020/eval2 临床医学术语标准化 第一 http://cips-chip.org.cn转载 2020-12-03 14:45:28 · 1475 阅读 · 0 评论 -
基于知识图谱推理的关系推演
对于知识图谱的关注可以分为两个方面:知识图谱的构建和基于知识图谱数据结构的应用。知识图谱的构建主要关注如何整合结构化、非结构化的数据,实现用统一的语义数据结构如三元组RDF形式的数据存储。基于知识图谱的应用主要关注如何从这种语义数据结构中挖掘、发现、推演出相关的隐藏知识或新知识或者实现更上层的应用如搜索、问答、决策、推荐等,具体可以参考《三个角度理解知识图谱》。本文主要讲一下基于知识图谱推理的关系推演(或者叫做关系预测),主要包括如下几个方面:1、知识图谱推理的主要作用;2、知识图谱推理的基本原理;转载 2020-10-15 11:07:15 · 4743 阅读 · 1 评论 -
###haohaohao####揭秘认知图谱!从多跳阅读理解问答开始
【ACL 2019】揭秘认知图谱!从多跳阅读理解问答开始Phoenix Cat劝退人工智能新天坑“机器的阅读理解与问答”一直以来被认为是“自然语言理解(NLU)”的核心问题之一,随着BERT等模型的兴起,单段落的简单阅读理解任务取得了重大突破;研究者将目光转向更能体现机器智能的“多跳”“复杂”情形。本篇论文介绍了基于认知中“双过程理论(dual process theory)”的CogQA模型,文章提出一种新颖的迭代框架:算法模拟认知学中人类的两个认知系统,并维护一张认知图谱(Cogni..转载 2020-09-27 15:18:55 · 483 阅读 · 0 评论 -
【图机器学习】4篇 Graph Embedding 重要论文
第一篇:Deep WalkDeepWalk: Online Learning of Social Representations(2014,Bryan Perozzi)算法做什么的?输入:一个 graph 输出:每个节点对应的向量算法优点信息缺失下表现良好 数据稀疏的情况下表现良好 可用于大规模计算(算法可以并行化)social representations我们想让 social representations 有这样的特点Adaptability:真实世..转载 2020-09-14 16:47:44 · 571 阅读 · 0 评论 -
机器学习-社区发现算法介绍(一):Infomap
在诸多互联网金融风控的场景里,团伙识别是相当重要的一项工作。如果恶意攻击者以团伙的方式尝试获取利益,比如骗贷、骗保、薅羊毛,通常都会给对应的公司带来不小的经济损失。团伙识别有各种各样的方法,其中最主要的方法就是“社区发现”(community detection)类算法,常规的方法有 Louvain,Label Propagation,Infomap 等等。算法核心思想社区发现类算法似乎并不存在一个最好的算法,因为在现实数据中对于社区或者说团伙的定义千差万别,不一定都跟算法的假设匹配。有一些学术文章转载 2020-09-10 09:02:17 · 4872 阅读 · 1 评论 -
知识蒸馏与推荐系统
「写在前面:」 这是一篇介绍 「【知识蒸馏】」 在 「【推荐系统】」领域应用的文章,算是知识蒸馏简述系列文章的延续,希望能对推荐领域的同学有所帮助。以下是本文的主要框架: A brief review KD & 推荐 Conclusion 「1. A brief review」「1-1 知识蒸馏回顾」当我们训练一个深度学习模型时,常常面临模型效果与工程性能冲突的问题。在监督学习中: 训练模型时,通常采用 「复杂模型」 或者 「Ensemble」 方转载 2020-09-04 17:55:47 · 902 阅读 · 0 评论 -
基于知识图谱的问答在美团智能交互场景中的应用和演进
导读:目前为止 IT 产业经历了六次浪潮,分别为:大型机时代,小型机时代,个人电脑时代,桌面互联网时代,移动互联网时代和 AIOT 时代。在这些时代背后可以发现是人机交互方式的变化:从鼠键交互,到触控交互,再到语音智能交互,可以看到人机交互的方式在向更自然更直接化的方式演进。今天会和大家分享基于知识图谱的问答在美团智能交互场景中的应用和演进。今天的介绍会围绕下面三点展开: 智能交互背景介绍 受限场景问答应用和演进 复杂场景问答应用和演进 ——智能交互背景介绍——1...转载 2020-09-01 14:21:39 · 1694 阅读 · 0 评论 -
###豪豪豪豪######2020 推荐系统技术演进趋势了解
读知乎文章《推荐系统技术演进趋势:从召回到排序再到重排》笔记:《推荐系统技术演进趋势:从召回到排序再到重排》这篇文章主要说了下最近两年,推荐系统技术的一些比较明显的技术发展趋势。主要从以下几个方面介绍:推荐系统整体架构召回技术演进趋势排序模型技术演进趋势重排技术演进趋势一、推荐系统整体架构推荐系统宏观架构:推荐系统宏观结构细分四阶段:推荐系统细分四阶段二、召回技术演进趋势1、传统:多路召回(每一路召回相当于单特征排序结果)传统召回2、未来:转载 2020-07-06 20:05:09 · 599 阅读 · 0 评论 -
ACL 2020 | 基于机器阅读理解框架的命名实体识别方法
论文标题:A Unified MRC Framework for Named Entity Recognition论文作者:Xiaoya Li, Jingrong Feng, Jiwei Li论文链接:https://arxiv.org/pdf/1910.11476.pdf本文提出使用基于机器阅读理解(Machine Reading Comprehension, MRC) 的框架代替序列标注模型(sequence labeling)统一处理嵌套与非嵌套命名实体识别问题。该方法解.转载 2020-06-15 16:00:26 · 1565 阅读 · 0 评论 -
####好好好#######【Graph Neural Network】GraphSAGE: 算法原理,实现和应用
在上一篇文章中介绍了GCN【Graph Neural Network】GCN: 算法原理,实现和应用GCN是一种在图中结合拓扑结构和顶点属性信息学习顶点的embedding表示的方法。然而GCN要求在一个确定的图中去学习顶点的embedding,无法直接泛化到在训练过程没有出现过的顶点,即属于一种直推式(transductive)的学习。本文介绍的GraphSAGE则是一种能够利用顶点的属性信息高效产生未知顶点embedding的一种归纳式(inductive)学习的框架。其核心思想是通过学转载 2020-05-26 10:42:50 · 528 阅读 · 0 评论 -
GCN与GAT之间的重要联系和区别
谈几点深入的理解1. 与GCN的联系与区别无独有偶,我们可以发现本质上而言:GCN与GAT都是将邻居顶点的特征聚合到中心顶点上(一种aggregate运算),利用graph上的local stationary学习新的顶点特征表达。不同的是GCN利用了拉普拉斯矩阵,GAT利用attention系数。一定程度上而言,GAT会更强,因为 顶点特征之间的相关性被更好地融入到模型中。2. 为什么GAT适用于有向图?我认为最根本的原因是GAT的运算方式是逐顶点的运算(node-wise),这一点..转载 2020-05-26 09:55:38 · 3816 阅读 · 0 评论 -
###好好好####JanusGraph批量导入数据优化
JanusGraph批量导入数据优化批量导入工具:https://github.com/dengziming/janusgraph-util批量导入配置项storage.batch-loading =true 导入的数据必须具有一致性并且和已存在的数据必须具有一致性。(比如:name数据是具有唯一索引(a unique composite index),那么导入的数据在name属性上上和已有的数据不能重复) 下面是优化配置,优化的目的,就是减少批量导入时间。 ID 分转载 2020-05-24 20:11:00 · 952 阅读 · 0 评论 -
###haohaohao######专访 DLP-KDD 最佳论文作者,探讨图神经网络的特点、发展与应用
InfoQ 的读者大家好,我是 KDD Workshop DLP-KDD 2020 的联合主席王喆,在 DLP-KDD 2020 征稿之际,我们专访了上一届 Workshop Best Paper Award(An End-to-End Neighborhood-based Interaction Model for Knowledge-enhanced Recommendation)的获得者:曲彦儒,白婷,与这两位图神经网络领域的专家深入探讨当前的学术及工程热点“图神经网络”的发展和应用,希望对大家有所帮转载 2020-05-12 16:48:50 · 1217 阅读 · 0 评论 -
#####豪豪豪豪######清华出品的两个模型做事件检测和事件元素抽取任务
论文题目:Event Detection with Trigger-Aware Lattice Neural Network论文来源:EMNLP 2019 清华论文链接:https://www.aclweb.org/anthology/D19-1033/代码链接:https://github.com/thunlp/TLNN关键词:事件检测,word-trigger不匹配,trig...转载 2020-05-06 16:01:54 · 1673 阅读 · 0 评论 -
图神经网络三剑客:GCN、GAT与GraphSAGE
图神经网络三剑客:GCN、GAT与GraphSAGE2020-2-27 17:28|发布者:炼数成金_小数|查看:47856|评论: 0|原作者: 桑运鑫|来自: PaperWeekly摘要: 2019 年号称图神经网络元年,在各个领域关于图神经网络的研究爆发式增长。本文主要介绍一下三种常见图神经网络:GCN、GAT 以及 GraphSAGE。前两者是目前应用比较广泛的图神经网络...转载 2020-05-05 21:24:40 · 5645 阅读 · 0 评论 -
#####haohaohao#金融领域文档级别事件抽取-Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial E
该论文来自EMNLP2019、清华&微软研究院、源码&数据集【1】已开源github:Doc2EDAGpaper地址:paper原文金融领域数据有以下两种特征:① 事件元素分散(Arguments-scattering):指事件论元可能在不同的句子(Sentence)中。② 多事件(Muti-event):指一个文档中可能包含多个事件。由于Sentence-l...转载 2020-04-29 15:58:01 · 677 阅读 · 0 评论 -
EMNLP2019 | Knowledge-Aware Graph Networks
论文标题:KagNet: Knowledge-Aware Graph Networks for Commonsense ReasoningKagNet: Knowledge-Aware Graph Networks for Commonsense Reasoningarxiv.orgAuthors: Bill Yuchen Lin, Xinyue Chen, Jamin Chen,...转载 2020-04-28 09:25:06 · 4130 阅读 · 3 评论 -
请查收!顶会AAAI 2020录用论文之自然语言处理篇
文章目录 自然语言处理篇(NLP) Question Answering Sequence Labeling Semantics and Summarization Sentiment Analysis Machine Translation Dialogue System T...转载 2020-04-15 15:40:31 · 13853 阅读 · 0 评论