学习Knowledge Graph Embedding Based Question Answering代码笔记

本文是作者学习《基于知识图谱嵌入式的问题回答》论文的代码笔记,主要关注如何在未知数据结构下利用知识图谱解决自然语言处理中的问题。笔记中分享了代码片段,包括n-gram的创建、参数解析、计数器工具、PyTorch的随机种子设定以及torchtext库的使用等。
摘要由CSDN通过智能技术生成

前言

最近被导师安排学习一下【Knowledge Graph Embedding Based Question Answering】 这篇paper,这篇paper的重点在于运用了Knowledge Graph为dataset,在不用知道数据结构的情况下,去完成Question Answering这个自然语言处理方向的问题。这篇笔记只用来记录一下阅读这篇paper的github的代码时,作为一名很菜的本科学生所发现觉得可能有用的代码片段,具体对paper的笔记会再开一份笔记另行记录

希望自己能和大家一起学习进步!加油!


paper 链接:

delivery.acm.org/10.1145/330…acm=1564312374_9607150c0f9e4d7029cba11e69cb8903 (请复制全部)

github 链接:

github.com/xhuang31/KE…


下面会逐步缓慢更新

正文开始!

  1. if the question contains specific words, delete it

比如我们想去掉what is your name里的what is,获得结果your name,便可使用如下代码:

whhowset = [{
   'what', 'how', 'where', 'who', 'which', 'whom'},
{
   'in which', 'what is', "what 's", 'what are', 'what was', 'what were', 'where is', 'where are','where was', 'where were', 'who is', 'who was', 'who are', 'how is', 'what did'}, 
{
   'what kind of', 'what kinds of', 'what type of',
  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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