- 博客(13)
- 收藏
- 关注
RSS订阅
原创 完全数据驱动的对话模型和社交机器人
研究人员最近开始探索完全数据驱动和端到端（E2E）的会话响应生成方法，例如，在序列到序列（seq2seq）框架内（Hochreiter和Schmidhuber，1997; Sutskever等， 2014）。这些模型完全根据数据进行培训，无需借助任何专业知识，这意味着它们不依赖于第4章中提到的对话系统的四个传统组件。这种端到端模型在社交机器人（chitchat）中特别成功。场景，因为社交机器人很少...
2019-06-19 17:00:58
820
原创 WGAN-GP应用于一维时序信号
前言近年来生成对抗网络在各大顶会上大放异彩，但是大多研究集中在图像方面，衍生出一系列DCGAN、WGAN等等模型，最近我在关于手语识别的研究中使用深度学习效果一般，猜测可能是数据集小的问题，故想到使用GAN来生成手语数据，达到以假乱真的效果。除了这个方面外，GAN在这些信号的生成的研究对于医疗方面受损信号的恢复、意图生成特定的属性的信号方面也具有重要的意义。学习路线（选读）在研究中我走了许多...
2019-06-07 12:26:55
6421
17
原创 字节跳动国际化nlp一面
上来先是两道题，说实话我都见过，但是大致思路记得，做不到bugfree，一个是括号生成，一个是旋转打印矩阵。大约半小时。都写了比较多的代码，但是细节不到位。然后聊项目，生成对抗网络训练的难点，怎么解决的，为什么使用了svm，原理？使用过其他分类方法嘛？对比过缺点吗？svm的应用场景。正则化方法有哪些？还有哪些防止过拟合的方法？这些都答上了。nlp中了解过bert嘛？（简单了解过）bpe和wordpeice是什么？（这个直接说不知道）CNN中的卷积和池化的作用是什么？（CNN的基本知识点）应该是凉了，
2020-06-02 16:12:41
700
原创 京东算法一面面经
京东算法一面面经京东零售推荐技术部：聊了聊基础，lr是什么loss函数推导，做多分类等等，然后讲了transformer和生成对抗网络，还有推荐的架构，算法什么的，（这部分我了解的不多）算法题两个，二分类和快排大约一个小时不到，然后就让我等下他去约二面面试官，不过因为二面面试官在忙，所以等到下次再约。后续在记录。总结：太基础了点··比较简单。...
2020-05-20 16:07:43
429
原创 快手算法一面凉经
快手算法一面凉经上来先问学校，是否能去实习，百度的实习经历。做了一道题，类似编辑距离，不同之处是，插入花费a,删除：b,替换:c。问如何花费最少可以从一个单词变成另一个单词。这个题我按照编辑距离的思路说了出来，但是面试官问，加入abcde变成abcdf，e替换成f的花费要比删除e，在新增一个f的花费还要多，这种情况可以满足吗？然后问了，什么情况可以使用动态规划。然后问了bert，简单讲了一下，打断了问bert的embedding和word2vec的embedding有什么不一样？问self-a
2020-05-19 16:36:24
3008
原创 腾讯TCC nlp算法一面
整个面试过程持续差不多45分钟，但是问的知识点非常广，感觉面了一个半小时········首先自我介绍~针对GAN做数据增强问了问原理，数据怎么去噪的，输入输出分别是什么还有很多细节，有点记不清了seq2seq如何做的，数据清洗怎么做的，为了更好的训练，做了哪些细节？字母大小写转换做了吗？怎么做的？padding技巧怎么做的，loss函数采用的是什么？decoder的输出的参照标准是什么？（这...
2019-11-09 10:58:46
485
原创 百度系统NLP算法一面
下午时候进行百度系统的一面，相对于之前的百度健康部门的面试官，这个面试官更“正常一点”。视频面开始自我介绍。死扣项目点，对于我说的seq2seq模型提出了很多细节问题，比如packing目的是什么，怎么做的，是逐条packing还是整体packing。还有问了我项目中的生成对抗网络和seq2seq模型的本质区别是什么。比较抠细节问题。两个算法题：链表反转（牛客原题）链表前k个节点反转，...
2019-11-08 22:37:12
310
原创 百度算法岗（全都是开发）一面二面面经
刚刚面试了百度医疗健康部门的日常实习算法岗，面经如下：一面（一个小时20分钟）一个小姐姐，上来先自我介绍。贪心算法介绍算法题1：最大和子数列，牛客原题，但要求用贪心和动态规划求解动态规划算法介绍python异常处理怎么做？ try expect elsepython数据类型有哪些 八种列表和元祖的区别python内存管理机制介绍python如何用一条语句去除列表中的空...
2019-11-06 22:22:01
1554
原创 Python中的Flags&tensorflow中的flags使用
最近在看bert的源码，一上来就是各种flags，本菜鸡以前没怎么接触过，所以特此学习记录。flags的作用flags可以通过命令行动态的更改代码中的参数使用方法from absl import flagsfrom absl import appFLAGS = flags.FLAGSflags.DEFINE_string('model', None, 'model to run'...
2019-07-09 17:41:56
963
原创 业界AI对话
这部分描述了工业中对话系统的前景，包括面向任务的系统（个人助理）、QA系统和闲聊型机器人。6.1QA系统包括谷歌，微软和百度在内的搜索引擎公司已将多轮QA功能纳入其搜索引擎，以使用户体验更具对话性，这对移动设备尤其具有吸引力。由于这些系统内部（例如Google和百度）的公开知之甚少，本节介绍了一些示例商业QA系统，其架构少部分在公共资源中描述，包括Bing QA，Satori QA和客户支持代...
2019-06-20 14:26:35
258
原创 任务导向的对话系统
第四章概述首先概述了面向任务的对话系统的基本概念，术语和典型架构。其次，它回顾了对话系统评估的代表性方法。这部分与用于构建这些系统的具体技术大致正交。接下来的三个部分重点关注典型对话系统中的三个主要组成部分，重点是近期的神经方法。最后，我们回顾了最近关于端到端对话系统的几项工作，这些工作是由深度学习和强化学习的最新进展所促成的，最后一节提供了进一步的讨论和指示。插槽填充对话...
2019-06-18 10:58:09
1445
原创 聊天机器人综述推理部分
3.7.2 推理推理方式根据不同类别分为单步模型（Single-Step Reasoning）和多步模型（Multi-Step Reasoning）单步模型只将问题和文档内容匹配一次并生成答案。左边是随机答案网络，右边是BiDirectional Attention Flow model我们现在从Memory中找出答案范围，首先，总的问题矢量为：hq=∑iβihiq\mathbf{h...
2019-06-12 17:03:30
436
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人