木东的博客

转载 用cytoscape.js展示neo4j网络关系图 - 1. Flask

用可视化的方式来展示网络关系图是一件挺有趣的事情，在选定用cytoscape.js来显示neo4j图形数据库的数据后我做了一个原型，并用下面三篇博客来记录了做原型的过程。 用cytoscape.js展示neo4j网络关系图 - 1. Flask （这篇博客） 用cytoscape.js展示neo4j网络关系图 - 2. py2neo 用cytoscape.js展示neo4...

转载 #####好好好#####GAN 在文本生成上的一些体会

先抛出我的结论：SeqGAN 这一框架下的 GAN-based 文本生成模型，work 很大程度上是 training trick 的堆砌，并不适合工程应用，但依旧值得探索，或者蹭热点发 Paper。这段时间做用 GAN 做文本生成还是蛮多的，这里指的是 SeqGAN 这一框架，其简要特点如下：RNN-based Generator + Classifier-based Discrmi...

翻译 Learning to Select Knowledge for Response Generation in Dialog Systems

文章目录 Abstract 1 Introduction 2 Model 2.1 Background: Seq2Seq and Attention 2.2 Architecture Overview 2.3 Encoder 2.4 Knowledge ...

转载 知识驱动对话-Learning to Select Knowledge for Response Generation in Dialog Systems-阅读笔记

今日看了一篇文章《Learning to Select Knowledge for Response Generation in Dialog Systems》，以知识信息、对话目标、对话历史信息为基础，进行端到端的对话语句生成。期间做了一些笔记，还有个人想法。大家一起进步！时刻记着自己要成为什么样的人！...

转载 项目实战--知识图谱初探

实践了下怎么建一个简单的知识图谱，两个版本，一个从 0 开始(start from scratch)，一个在 CN-DBpedia 基础上补充，把 MySQL，PostgreSQL，Neo4j 数据库都尝试了下。自己跌跌撞撞摸索可能踩坑了都不知道，欢迎讨论。CN-DBpedia 构建流程知识库可以分为两种类型，一种是以 Freebase，Yago2 为代表的 Curated KBs，主要从...

转载 徐阿衡 | 知识抽取-实体及关系抽取(一)

这一篇是关于知识抽取，整理并补充了上学时的两篇笔记 NLP笔记 – Information Extraction 和 NLP笔记 – Relation Extraction，梳理了知识抽取的基本方法，包括传统机器学习及经典的深度学习方法。知识抽取涉及的“知识”通常是 清楚的、事实性的信息，这些信息来自不同的来源和结构，而对不同数据源进行的知识抽取的方法各有不同，从结构化数据中获取知识用 D2R...

转载 ###好好好#######论文浅尝 | 基于图注意力的常识对话生成

论文浅尝 | 基于图注意力的常识对话生成OpenKG 祝各位读者新春快乐，猪年吉祥！来源：IJCAI 2018.论文下载地址：https://www.ijcai.org/proceedings/2018/0643.pdf项目源码地址：https://github.com/tuxchow/ccm动机在以前的工作中，对话生成的信息源是文本与对话记录。但是这样一来...

转载 5篇联合知识图谱的自动问答相关论文

1. An Interpretable Reasoning Network for Multi-Relation Question Answering（基于可解释推理网络的多关系自动问答）作者：Mantong Zhou,Minlie Huang,Xiaoyan Zhu摘要：Multi-relation Question Answering is a challenging task,...

转载 ####好好好#####3【论文阅读】Deep Adversarial Subspace Clustering

导读：　　本文为CVPR2018论文《Deep Adversarial Subspace Clustering》的阅读总结。目的是做聚类，方法是DASC=DSC（Deep Subspace Clustering）+GAN（Generative Adversarial Networks）。本文从以下四个方面来对论文做个简要整理：　　背景：简要介绍与本文密切相关的基础原理，DSC，GAN。...

转载 ###好好好#####论文泛读·Adversarial Learning for Neural Dialogue Generation

导读　　这篇文章的主要工作在于应用了对抗训练（adversarial training）的思路来解决开放式对话生成（open-domain dialogue generation）这样一个无监督的问题。　　其主体思想就是将整体任务划分到两个子系统上，一个是生成器（generative model），利用seq2seq式的模型以上文的句子作为输入，输出对应的对话语句；另一个则是一个判别器（di...

翻译 Adversarial Learning for Neural Dialogue Generation

转载 知识图谱入门 (七) 知识推理

知识推理简介知识推理任务分类所谓推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义。其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization)。可满足性可体现在本体上或概念上，在本体上即本体可满足性是检查一个本体是否可满足，即检查该本体是否有模型。如果本体不满足，说明存在不一致。概念可满足性即检查...

转载 ICLR 2017 | 基于双向注意力流的机器理解

本文提出了双向注意力流（BIDAF）网络，是一种分层的多阶段架构，在不同粒度等级上对上下文进行建模。BIDAF包括字符级（character-level）、单词级（word-level）和上下文（contextual）的embedding，并使用双向注意力流来获取query-aware的上下文表示。论文地址:https://arxiv.org/abs/1611.01603代码地址:htt...

转载 keras跟踪模型训练过程和训练过程有选择保存模型

一般我们训练深度学习模型都是等训练完成后才能查看loss acc等这些指标，然而当我们模型设计并不正确或者出现了过拟合甚至于数据拟合出现了很严重错误，但是在训练很深的网络的时候一般都要等上好久，我就遇到过用RestNet50训练100张图跑了三四天。这时候我们该浪费时间继续train呢还是等指标出来再判断，我们都不知道。庆幸的是现在我们用keras可以随时监督训练的过程，一旦训练出现了问题可以随时...

转载 李纪为:用于对话生成的深度强化学习

译者按：本文第一作者 Jiwei Li (李纪为) 是斯坦福的 Ph.D ，是一位在神经网络和 NLP 领域非常高产的作者。在之前发布的自然语言处理 2012-2016 年顶级会议作者统计中，他以 14 篇顶级会议论文第一作者的数据排名第一。本篇文章刚刚发布，是一篇探索性的文章，文章结合了目前主流的 sequence-to-sequence 模型和强化学习算法，在之前工作的基础上，利用一种 Alp...

转载 ####好好好###############Deep Reinforcement Learning for Dialogue Generation 论文阅读

1，概述　　当前在闲聊机器人中的主要技术框架都是seq2seq模型。但传统的seq2seq存在很多问题。本文就提出了两个问题：　　1）传统的seq2seq模型倾向于生成安全，普适的回答，例如“I don’t know what you are talking about”。为了解决这个问题，作者在更早的一篇文章中提出了用互信息作为模型的目标函数。具体见A Diversity-Promoti...