Jamie的博客

原创 M1 Mac配置YouCompleteMe + oh-my-zsh+Powerline爬坑记录

M1 Mac配置YouCompleteMe插件爬坑记录Mac相比于Windows来说更有更优秀的命令行环境，并且最近打算开始爬Vim的这个坑，因此安装传说中最难安装的插件——YouCompleteMe。一、准备工作1.Vim支持YouCompleteMe插件（后面简称ycmd）需要支持编译python3.6+版本、版本号在8.1.7以上版本的vim，因此有两种解决方法：使用brew升级vim版本使用brew安装MacVimbrew install macvim在shell文件中添加别

原创 【ACL2021】Target-Oriented Fine-tuning for Zero-Resource Named Entity Recognition

【ACL2021】Target-Oriented Fine-tuning for Zero-Resource Named Entity Recognition论文地址：https://arxiv.org/abs/2107.10523代码地址：https://github.com/Yarkona/TOFAbstratZero-source的命名实体识别（NER）受特定领域（domain）和特定语言（language）的数据稀缺的困扰。因此许多任务通过在不同的相关任务上进行微调实现基于知识迁移的Ze

原创 【关系抽取】Three Sentences Are All You Need Local Path Enhanced Document Relation Extractio（文档级别）

Three Sentences Are All You Need Local Path Enhanced Document Relation Extraction论文地址：https://arxiv.org/abs/2106.01793代码地址：https://github.com/AndrewZhe/Three-Sentences-Are-All-You-NeedAbstract本文属于Document-level Relation Extraction任务，和句子级关系抽取任务不一样的是：用

原创 【联合抽取】Entity-Relation Extraction as Multi-turn Question Answering（ACL2019）

【联合抽取】Entity-Relation Extraction as Multi-turn Question Answering（ACL2019）论文地址：https://arxiv.org/abs/1905.05529v4论文代码：https://github.com/ShannonAI/Entity-Relation-As-Multi-Turn-QAAbstract本文提出将关系抽取任务看作一个多轮QA问题，其中有以下的好处三个好处：问题序列（Query）能对重要的信息更好地编码；QA能

原创 手推贝叶斯后验概率最大化

原创 向量范数和矩阵范数的理解

向量范数今天来聊一聊机器学习矩阵论的相关知识——范数（Norm）。在学习机器学习基础算法的推导过程中，可以看到很多地方都应用到了这个范数。范数属于矩阵论的知识范围，可见数学基础的重要性。机器学习的数学基础重点推荐——MIT的机器学习数学基础课如果只需要快速了解，请参考——矩阵范数计算完整的MIT数学基础课程笔记可以参考：MIT 18.06 线性代数笔记这是个非常棒的手动演算流程，本文也将编码进行验算。向量范数定义:一个向量空间V到实数空间的映射，不仅如此，还要满足喜爱额条件：∣∣x∣∣⩾

原创 An Improved Baseline for Sentence-level Relation Extraction

论文地址： An Improved Baseline for Sentence-level Relation ExtractionAbstract & Contribution目前的句子级的关系抽取任务效果，还有远远达不到人工的效果。本文反思已有模型并指出两个被忽视的方面：关系实例包含多个方面的实体信息，如实体名字、范围、类型；已有的模型并没有将其作为输入。由于预定义的知识本体还具有一定的限制，所以不可避免地有一些关系并不在知识本体中并被标注为NA类别，但是实际上他们可能有更多样的语义.

原创 【综述】A Review on Semi-Supervised Relation Extraction

本文主要总结和对比了三种典型的基于甚于深度学习和元学习的半监督关系抽取方法：self-ensembling：该方法在有干扰的情况下被迫保持一致性，但将面临不足进行监督学习；self-trainning：该方法迭代地生成加标签数据并且重新训练自身dual learning：该方法利用了一个基础方法和一个双重方法给予一个多向反馈1 Introduction任务定义：关系抽取则是自动化抽取文本中实体之间关系的。为了减少标注的消耗，提升技术显得非常的重要，如主动学习、远程监督、半监督学习、无监督学习

原创 极大似然估计 for Mechine Learing

伯努利分布伯努利实验如果随机变量X只取0和1两个值，并且相应的概率为：P(X=1)=p,P(X=0)=1−p,0<p<1 P(X=1)=p,P(X=0)=1-p,0<p<1P(X=1)=p,P(X=0)=1−p,0<p<1说白了就是实验结果只有两个结果，并且这两个结果还是对立的随机试验，就是伯努利实验。比如，抛硬币出现正面还是反面？今天下雨还是不下雨？满足上述条件，则称随机变量X服从参数为p的伯努利分布，若令q=1一p，则X的概率函数可写为：f(x,p)={p

原创 Markdown Gellery（最全样例&写作好帮手）

Markdown Example为了方便日后笔记和文章的编写，特此编写和汇总Markdown的教程，方便日后进行查阅和记录。将会持续更新。Markdown 标题# 一级标题## 二级标题### 三级标题#### 四级标题##### 五级标题###### 六级标题效果如下：一级标题二级标题三级标题四级标题五级标题六级标题Markdown 段落Markdown 段落没有特殊的格式，直接编写文字就好，段落的换行是使用两个以上空格加上回车。Markdown 字体*斜体文本

原创 【综述】Recent Advances and Challenges in Task-oriented Dialog Sytems

本文主要总结对话系统的最新进展及其面临的挑战。除此之外，还会讨论以下三个关键的主题：提高数据的使用效率，推动对话模型在低资源情况下的效果为策略学习建立多轮动态模型，达到更好的任务完成效果融合领域本体知识进入对话系统另外，还将介绍对话评估的发展、广泛使用的公开数据集。一、介绍开放领域和任务导向的对话系统不同之处：对话系统是以解决在一个或者多个领域中的一些特别的任务为目标的。[1]目前的对话系统大概分为两种：pipline方法 和 end-to-end 方法：1. Pipline方法对话.

原创 【2021最新综述】Deep Neural Approaches to Relation Triplets Extraction：A Comprehensive Survey

【2021最新综述】Deep Neural Approaches to Relation Triplets Extraction：A Comprehensive Survey1 Introduction2 Task Description3 Scope of this survey4 Challenges of Dataset Annotation5 Relation Extraction Datasets6 Evaluation Metrics7 Relation Extraction Models（前方

转载 【软件工程】看我火眼金睛——系统流程图、程序流程图、数据流图、活动图、状态图、顺序图辨析

原著URL：https://blog.csdn.net/srk950606/article/details/49637147【前言】&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp;在软件工程中我们学习了数据流图，程序流程图，UML中的活动图，状态图，顺序图，这些图貌似都是在描述软件的执行过程，那么它们到底有哪些相同点，又有哪些不同点呢？下面，我们一...

原创 【吴恩达机器学习学习笔记03】Gradient Descent

机器学习算法中，梯度下降算法可以帮我们找到和数据集拟合程度较高的参数parameter，本文讲解了梯度下降的工作流程。

原创 【吴恩达机器学习笔记学习笔记02】Cost function

吴恩达教授继续使用房屋价格预测的数据集给我们延伸讲解什么是损失函数，其概念、定义和使用！

原创 【吴恩达机器学习学习笔记01】监督学习和无监督学习介绍

机器学习里面主要分为监督学习和无监督学习。吴恩达教授用了房价预测、乳腺癌预测等数据集给我们举例，让新手更好入门机器学习！

原创 Java GUI编程的几种常用布局管理器

Java GUI编程的几种常用布局管理器 本人是一个大二的学生。因为最近有做JavaGUI界面的需求，因此重新开始熟悉JavaGUI的各种控件和布局。然后以次博文为笔记，总结、完善以及发表最近学习的一些技术要点。希望各位支持和指正。目录Java GUI编程的几种常用布局管理器目录一BorderLayout默认布局管理器二FlowLayout布局管理器三GridLayout布局管理器四G