我生有涯愿无尽
我生有涯愿无尽

一种基于中文命名实体识别以及线性回归的刑期预测方法

github：https://github.com/snowlixue/Prison-term-based-on-Chinese-NER

动机

量刑建议又称“求刑建议”，是指检察院在刑事诉讼中对被告人应当判处的刑罚依法向法院提出的建议。从这一概念可知，量刑建议的场域是刑事诉讼;量刑建议的主体是检察院;量刑建议的对象是法院;量刑建议的内容是所起诉的被告人应当判处的刑罚。在审查逮捕意见书的编写过程中，量刑建议始终是最重要且最难解决的一环，然而目前量刑建议仍需要人工定义，工作繁琐，因此急需一种更加智能化的方法进行解决。

问题

在对现有方法的考究下，提出一种更为科学的量刑建议方法。在基于基础文本的处理下，发现在对于已有文书内容的处理一般基于已有分类进行分析，例如罪名、判刑年限、是否死刑、罚款、犯罪嫌疑人、日期等明确内容处理，而对于犯罪主体中最重要的犯罪事实处理较少。而犯罪事实是案件中最重要的因素之一。由犯罪事实进行量刑建议是最为重要的方式

已有方法与问题

现有方案均基于深度学习模型进行的量刑建议，针对犯罪内容构建模型，训练后进行量刑预测。

现存方案都存在可解释差的缺点。

新增方法与改进

1）首先在参考已有其它领域性的实体抽取方案后，结合侦监中的文本特点，提出一种基于规则与深度学习并用的犯罪事实抽取方案。（以故意伤害罪为例）

在抽取故意伤害内容的犯罪事实时首先采用基于规则的方式粗略筛选：规则定义如下：

实体名称

前置词

包含词

后置词

分割词

区分词

词节数量

工具(arm)

用、持、拿

 

将

 

一

1或2

伤害(sick)

致

眼、骨等

构成、为

“、”

“，”

“；”

 

不定

伤害等级(hurt)

法医（学）鉴定、损伤程度为、致、构成

轻伤、重伤、轻伤二级、轻伤一级等

“，”

“。”

“）”

 

 

1或2

证据(evi)

且（并）有、宣读了、提供了、有经庭审举证

陈述、证言、证明、清单、鉴定意见书、供述等

等（证据证实）、足以认定、等（书证）、“。”

“、”

“；”

“，”

 

不定

 

案件信息中犯罪事实的抽取可以首先利用以上规则进行区分、粗略匹配：

例：

经审理查明/o ：/o 2014/o 年/o 5/o 月/o 31/o 日/o 13/o 时许/o ，/o 被告人/o 郭/o 为其/o 亲属/o 郭/o 在/o 郎溪县/o 新/o 发镇/o 新/o 发村/o 承包/o 的/o 农田/o 里/o 用/o 拖拉机/o 耕田/o 。/o 被害人/o 周/o 认为/o 该/o 农田/o 的/o 承包/o 存在/o 争议/o ，/o 因而/o 阻止/o 被告人/o 郭/o 打田/o 。/o 后该/o 农田/o 承包人/o 郭/o 因此/o 事/o 与/o 周/o 发生/o 争吵/o ，/o 周/o 用/o 拳/arm 打/o 郭/o 头部/o ，/o 郭/o 用/o 玻璃/arm 茶杯/arm 将/o 周/o 的/o 头部/o 砸破/o 。/o 周/o 遂/o 将/o 郭/o 打倒/o 在/o 地/o ，/o 并/o 继续/o 对/o 郭/o 实施/o 殴打/o （/o 经/o 鉴定/o ，/o 郭/o 伤情/o 构成/o 轻微伤/hurt ）/o 。/o 被告人/o 郭/o 见状/o ，/o 上前/o 用 修理/o 拖拉机/o 的/o 铁锤/arm 对周/o 右/o 肩胛/o 部/o 猛击/o 一锤/o 。/o 经/o 鉴定/o ，/o 被害人/o 周/o 的/o 伤情/o 构成/o 轻伤一级/hurt 。/o 案发/o 当日/o ，/o 郎溪县/o 公安局/o 传唤/o 郭/o 询问/o 查证/o 时/o ，/o 郭/o 如实供述/o 了/o 犯罪事实/o ，/o 后/o 郎溪县/o 公安局/o 立案侦查/o 。/o 案发后/o ，/o 被告人/o 郭/o 的/o 亲属/o 赔偿/o 了/o 被害人/o 周/o 10000/o 元/o 。/o 上述事实/o ，/o 被告人/o 郭/o 在/o 开庭审理/o 过程中/o 无异议/o ，/o 且/o 有/o 物证铁锤/evi 一把/o ， 户籍证明/evi ， 现场勘验检查笔录/evi 及/o 照片/evi ， 辨认笔录/evi 及/o 照片/evi ， 法医学人体损伤程度鉴定书/evi ， 证人郭的证言/evi ， 被害人周的陈述/evi ， 被告人郭的供述与辩解/evi ， 到案经过/evi ， 情况说明/evi ， 扣押清单/evi ， 郭的病历/evi 、 出院/o 录等/o 证据/o 证实/o ，/o 足以认定/o 。/o 被告人/o 郭/o 的/o 辩护人/o 提出/o 以下/o 辩护意见/o ：/o 被害人/o 对/o 本案/o 的/o 发生/o 存在/o 明显/o 过错/o ；/o 被告人/o 的/o 行为/o 具有/o 防卫/o 性质/o ，/o 属于/o 防卫过当/o ；/o 本案/o 是/o 因/o 在/o 农村土地/o 承包经营/o 过程中/o 的/o 琐事/o 矛盾/o 引起/o 的/o ，/o 被告人/o 的/o 主观恶性/o 和/o 社会危害性/o 均/o 较小/o ；/o 被告人/o 郭/o 具有/o 自首/o 、/o 自愿/o 认罪/o 、/o 初犯/o 、/o 偶犯/o 、/o 赔偿/o 被害人/o 损失/o 等/o 情节/o ，/o 建议/o 对/o 被告人/o 郭/o 从轻处罚/o 。/o

在上述标注文本中可以首先利用分词工具进行分词，根据工具前置词“用”匹配出作案工具“玻璃茶杯”，但“玻璃茶杯”分词时候会被切分为“玻璃”和“茶杯”，占两个词节。又如可以利用“构成”、“轻伤一级”以及标点“。”判断出其伤害程度为轻伤一级。再如利用“且”“有”二字的连接，标点“，”的切分和“等”字的结尾判断，切分出多条证据罗列。

在用上述基于规则的方法匹配之后，可以再用基于字符的深度学习模型进行进一步的学习帮助提取犯罪事实信息：

 

①长短期记忆网络（LSTM）是一种基于RNN的深度网络模型，传统RNN只有一种重复神经网络模块的链式形式。

 

一种基于中文命名实体识别以及线性回归的刑期预测方法_第1张图片

   LSTM在一个cell中放置了三扇门，分别叫做输入门、遗忘门和输出门。一个信息进入LSTM的网络当中，可以根据规则来判断是否有用。只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。以此用来解决长序依赖问题。

②条件随机场（CRF）

CRF假设标注序列Y在给定观察序列X的条件下，Y构成的图为一个MRF，即可表示成图

一种基于中文命名实体识别以及线性回归的刑期预测方法_第2张图片

多种模型对比

一种基于中文命名实体识别以及线性回归的刑期预测方法_第3张图片

经过上述模型发现其准确率较高，召回率和F1值较低。这与人工标注的不准确性和数据集较少关系密切，进一步分析4种实体内容分别的三项指标如下所示：

一种基于中文命名实体识别以及线性回归的刑期预测方法_第4张图片

我们发现arm和sick三项指标均很低，这与arm和sick规则难以模拟有强烈关系，evi识别率较低与证据较多难以分割有关系，而hurt项较高则由于规则易学习。针对上诉问题，对于arm和sick引入词典进行处理，对于常见疾病和犯罪工具建立词典。对于evi则使用预处理方式将证据中与犯罪嫌疑人强烈相关的其他人名利用规则替换成统一内容。通过以上方法后，三项指标有一定提升，图略。

线性回归预测

线性回归可以参照其他博客，这里选取hurt项（准确率高，信息关键），采用one-hot向量的方式对每一则犯罪事实编码。y向量选择的是已知的犯罪事实对应的刑期形成。x，y矩阵，结果表明加权与不加权损失相同

你可能感兴趣的:(nlp)

  • 在nodejs中使用ElasticSearch（三）通过ES语义检索,实现RAG konglong127 nodejselasticsearch搜索引擎node.js全文检索后端
    RAG（Retrieval-AugmentedGeneration）是一种结合了信息检索和生成模型的技术，旨在提高生成模型的知识获取和生成能力。它通过在生成的过程中引入外部知识库或文档（如数据库、搜索引擎或文档存储），帮助生成更为准确和丰富的答案。RAG在自然语言处理（NLP）领域，特别是在对话生成、问答系统和文本摘要等任务中，具有非常重要的应用。它的核心思想是，生成模型不仅依赖于模型内部的知识，
  • 穿越AI边界：深度集成DeepSeek API与云平台的实践之路 云边有个稻草人 热门文章人工智能DeepSeek大数据集成DeepSeekAPIDeepSeek算法阿里云百炼平台集成
    云边有个稻草人-CSDN博客随着人工智能技术的日益发展，深度学习和自然语言处理（NLP）已经在很多领域得到了广泛的应用。DeepSeek作为一款领先的大型语言生成模型，凭借其强大的推理和生成能力，已经被越来越多的开发者和行业专家所青睐。通过DeepSeek提供的API接口，开发者可以在多个领域中实现先进的自然语言理解和生成任务。本文将深入探讨如何使用Python调用DeepSeek的API接口，并
  • 自然语言处理NLP入门 -- 第八节OpenAI GPT 在 NLP 任务中的应用 山海青风 人工智能gpt自然语言处理python
    在前面的学习中，我们已经了解了如何使用一些经典的方法和模型来处理自然语言任务，如文本分类、命名实体识别等。但当我们需要更强的语言生成能力时，往往会求助于更先进的预训练语言模型。OpenAI旗下的GPT系列模型（如GPT-3、GPT-3.5、GPT-4等）在生成文本方面拥有强大的表现。它们不仅能进行语言生成，也可用于诸多NLP任务，包括文本摘要和情感分析。本章将重点介绍：GPT的文本生成原理和应用场
  • DeepSeek怎么用，DeepSeek使用指南最全合集（保姆级教程） xiecoding.cn deepseekdeepseek使用指南deepseek怎么用deepseek免费教学deepseek资料合集
    DeepSeek是一款由国内顶尖团队开发的人工智能大模型，旨在为用户提供高效、智能的问答和知识服务。作为国产AI模型的代表，DeepSeek不仅在自然语言处理（NLP）领域表现出色，还在多个应用场景中展现了强大的能力。与ChatGPT等国际知名模型相比，DeepSeek在中文语境下的表现尤为突出，能够更好地理解中文的复杂语义和文化背景。DeepSeek使用资源下载为了方便大家更好地学习和使用Dee
  • J-LangChain，用Java实现LangChain编排！轻松加载PDF、切分文档、向量化存储，再到智能问答 花千树-010 JLangChain-TGlangchainjavapdfAIGCnlpAI编程
    Java如何玩转大模型编排、RAG、Agent？？？在自然语言处理（NLP）的浪潮中，LangChain作为一种强大的模型编排框架，已经在Python社区中广受欢迎。然而，对于Java开发者来说，能否有一个同样高效、灵活的工具来实现类似功能？答案是肯定的！今天，我们将聚焦J-LangChain——一个专为Java打造的LangChain实现，带你探索如何用Java语言轻松构建从PDF处理到智能问答
  • LangChain教程 - RAG - PDF问答 花千树-010 LangChainlangchainpdfAIGCpythonnlpembedding人工智能
    系列文章索引LangChain教程-系列文章在现代自然语言处理（NLP）中，基于文档内容的问答系统变得愈发重要，尤其是当我们需要从大量文档中提取信息时。通过结合文档检索和生成模型（如RAG，Retrieval-AugmentedGeneration），我们可以构建强大的问答系统。本博客将详细介绍如何使用FastAPI和LangChain框架，创建一个基于PDF文档的RAG问答API。一、背景在许多
  • 深度学习开源数据集大全：从入门到前沿 念九_ysl AI人工智能
    在深度学习中，数据是模型训练的基石。本文整理了当前最常用且高质量的开源数据集，涵盖图像、视频、自然语言处理（NLP）、语音与音频等方向，帮助研究者和开发者快速定位所需资源。一、图像类数据集1.MNIST简介：手写数字识别领域的“HelloWorld”，包含6万张训练图像和1万张测试图像，尺寸为28×28的灰度图。特点：适合入门级图像分类任务，支持快速验证算法原型28。下载地址：MNIST官网2.I
  • 揭开人工智能中 Tokens 的神秘面纱 东锋1.3 人工智能easyui前端javascript
    揭开人工智能中Tokens的神秘面纱在人工智能，尤其是自然语言处理（NLP）领域，"tokens"是一个频繁出现且至关重要的概念。对于理解语言模型如何处理和理解人类语言，tokens起着基础性的作用。那么，究竟什么是tokens呢？它又在人工智能系统中扮演着怎样关键的角色？让我们一探究竟。什么是Tokens简单来说，tokens是将文本分割成的一个个基本单元。当我们输入一段文字时，人工智能模型不会
  • 自然语言处理NLP入门 -- 第十节简单的聊天机器人 山海青风 #自然语言处理自然语言处理chatgpt
    一、为什么要做聊天机器人？在互联网时代，我们日常接触到的“在线客服”“自动问答”等，大多是以聊天机器人的形式出现。它能帮我们快速回复常见问题，让用户获得及时的帮助，并在一定程度上减少人工客服的压力。同时，聊天机器人也是了解自然语言处理（NLP）最好的实战项目之一。因为它整合了文字理解（NLU）、对话管理、文本生成（NLG）等多方面知识，既能看到很直观的对话效果，也能结合深度学习模型让机器人变得更智
  • 自然语言处理NLP入门 -- 第一节基础概念 山海青风 #自然语言处理自然语言处理人工智能python
    本部分主要介绍NLP的基础概念，并通过实际案例演示NLP的核心任务，同时引导你搭建NLP开发环境，确保你能顺利开始后续学习。1.什么是自然语言处理（NLP）1.1NLP的定义自然语言处理（NaturalLanguageProcessing,NLP）是人工智能（AI）的一个子领域，专注于让计算机理解、解释和生成人类语言。NLP结合了计算机科学、语言学和机器学习，以便计算机能自动处理文本和语音数据。简
  • 【大模型】大模型分类 IT古董 人工智能人工智能大模型
    大模型（LargeModels）通常指参数量巨大、计算能力强大的机器学习模型，尤其在自然语言处理（NLP）、计算机视觉（CV）等领域表现突出。以下是大模型的常见分类方式：1.按应用领域分类自然语言处理（NLP）模型如GPT-3、BERT、T5等，主要用于文本生成、翻译、问答等任务。计算机视觉（CV）模型如ResNet、EfficientNet、VisionTransformer(ViT)等，用于图
  • 全网国内外总结Prompt&LLM论文，开源数据&模型，AIGC应用（持续更新，收藏查看） 代码讲故事 智能工具PromptLLMAIGC模型开源数据集深度学习
    全网国内外总结Prompt&LLM论文，开源数据&模型，AIGC应用（持续更新，收藏查看）目录顺序如下国内外，垂直领域大模型Agent和指令微调等训练框架开源指令，预训练，rlhf，对话，agent训练数据梳理AIGC相关应用prompt写作指南和5星博客等资源梳理Prompt和LLM论文细分方向梳理Prompt是在自然语言处理（NLP）中，尤其是在使用预训练语言模型时，用来引导模型生成特定类型输
  • 机器学习AI/ML/CV/NLP/GNN算法公式汇总Latex代码 rockingdingo tensorflow大数据自然语言处理算法深度学习机器学习
    图学习和LinkPrediction任务KnowledgeGraphLinkPredictionEquationsAndLatexCodehttp://www.deepnlp.org/blog/knowledge-graph-link-prediction小样本学习和零样本学习公式的Latex代Few-ShotLearningAndZero-ShotLearningEquationsLatexCo
  • 饿了么算法工程师-AIGC岗内推 飞300 AIGC业界资讯
    1、紧跟业界最新自然语言处理技术动态，深入研发并努力创新，特别是在LLM、多模态理解和LLMAgent领域。2、基于大型语言模型开展文本生成、自然语言理解以及智能对话系统的研发，提出新颖的算法/模型，并进行实际开发和应用。3、探索多模态数据的结合，包括图像、文本、语音等，以丰富智能系统的理解和交互能力。4、将自然语言处理技术与具体业务场景相结合，考虑业务的特殊性并适配业务需求。参与到具体的NLP相
  • 自然语言处理入门：从基础概念到实战项目 范范0825 自然语言处理人工智能
    自然语言处理入门：从基础概念到实战项目一、引言自然语言处理（NaturalLanguageProcessing，简称NLP）是人工智能的重要分支，旨在让计算机能够理解、生成和处理人类语言。随着大数据和深度学习的发展，NLP技术在文本分类、机器翻译、问答系统、情感分析等领域得到了广泛应用。本文将从NLP的基础概念入手，逐步介绍关键技术，最终通过一个完整的实战项目帮助读者掌握如何在实际应用中使用NLP
  • 自然语言处理系列（5）——情感分析的原理与实战 DoYangTan 自然语言处理人工智能
    自然语言处理系列（5）——情感分析的原理与实战情感分析（SentimentAnalysis）是自然语言处理中的一项经典任务，目的是通过分析文本，判断其表达的情感倾向性。情感分析广泛应用于社交媒体监控、市场调研、客户服务等领域，帮助企业和机构快速了解用户的情感态度。在本文中，我们将深入探讨情感分析的基本概念、常用方法，并展示如何使用Python和现代NLP工具实现情感分析任务。1.情感分析的基本概念
  • pytorch基础 nn.embedding yuweififi pytorch人工智能nlp
    nn.Embedding是PyTorch中的一个模块，用于创建嵌入层（embeddinglayer），它将离散的索引（例如词汇表中的单词索引）映射为固定大小的稠密向量。这是许多NLP模型（包括Transformer）中的基本组件。示例用法：importtorchimporttorch.nnasnn#定义一个嵌入层vocab_size=10000#词汇表大小embedding_dim=512#嵌入向
  • Linux 查看端口占用命令 酒酿小圆子～ linux运维服务器
    文章目录1、lsof-i:端口号2、netstat命令2.1netstat-tunlp命令2.2netstat-anp命令1、lsof-i:端口号用于查看某一端口的占用情况，比如查看5000端口使用情况：sudolsof-i:5000注意：这里最好使用sudo开启管理员权限，未开启管理员权限时，可能会检测不到相关进程。（并非所有进程都能被检测到，所有非本用户的进程信息将不会显示，如果想看到所有信息
  • Empowering LLMs with Logical Reasoning: 从“语言大师”到“逻辑大师”的进化之路 步子哥 人工智能
    “逻辑是智慧的骨架，而语言是智慧的血肉。让大语言模型（LLMs）既能说会道，又能逻辑严谨，是AI发展的下一座高峰。”开篇：语言模型的“逻辑盲区”近年来，大语言模型（LLMs）在自然语言处理（NLP）任务中取得了令人瞩目的成就。从生成流畅的文章到翻译复杂的句子，这些模型似乎无所不能。然而，当我们试图让它们回答逻辑推理问题时，却发现它们的表现常常令人失望。比如，某顶尖LLM在回答以下问题时出现了自相矛
  • 使用Hugging Face Text Embeddings Inference进行文本嵌入推理 dgay_hua python
    在自然语言处理中，文本嵌入是一个重要的技术，它将文本转换为可以由机器学习算法处理的数字向量。在这篇文章中，我们将探讨如何使用HuggingFace的TextEmbeddingsInference（TEI）工具包来部署和服务开源文本嵌入和序列分类模型。TEI支持高性能提取，包括常用的嵌入模型如FlagEmbedding、Ember、GTE和E5。技术背景介绍文本嵌入在现代NLP任务中起着关键作用，它
  • Objective-C实现NLP中文分词（附完整源码） 源代码大师 Objective-C实战教程自然语言处理objective-c中文分词
    Objective-C实现NLP中文分词实现中文分词（NLP中的重要任务之一）在Objective-C中需要处理文本的切分和识别词语边界。尽管Objective-C在自然语言处理（NLP）领域并不常见，但通过合理的算法设计和数据结构，可以实现基本的中文分词功能。本文将介绍如何使用基于字典的最大匹配算法（MaximumMatchingAlgorithm），例如正向最大匹配（ForwardMaximu
  • 最全中文对话数据集（不定期更新） 数据猎手小k 人工智能大数据
    随着人工智能技术的发展，自然语言处理（NLP）领域中的对话系统逐渐成为研究的热点。为了提升对话系统的性能，需要大量的高质量对话数据来训练和优化模型。然而，中文对话数据相对于英文来说较为稀缺，且质量参差不齐，这限制了中文对话系统的发展。因此，构建大规模、高质量的中文对话数据集成为了一个迫切的需求。一、研究意义1、推动中文NLP发展：大规模高质量的中文对话数据集能够为中文自然语言处理领域的研究提供基础
  • 微调 LLM （RLHF + DPO） 人工智能
    微调LLM（RLHF+DPO）使用强化学习（RL）根据人类反馈微调大语言模型（即RLHF）的方法，以及一种更有效的改进方法（即DPO）。一、GPT-3与InstructGPT2020年，OpenAI发布了GPT-3，这是一种大型语言模型（LLM），只需查看几个示例即可执行任意自然语言处理（NLP）任务。这包括为模型编写巧妙的输入（即提示），使其执行所需的任务（例如翻译、问答和完形填空任务）。尽管G
  • 注意力机制（Attention Mechanism）详细分类与介绍 Jason_Orton 分类数据挖掘人工智能
    注意力机制（AttentionMechanism）是近年来在深度学习中非常流行的一种技术，特别是在自然语言处理（NLP）、计算机视觉等任务中，具有显著的效果。它的核心思想是模仿人类在处理信息时的注意力分配方式，根据不同部分的重要性给予不同的关注程度。1.注意力机制的背景与动机在传统的深度学习模型（如RNN、CNN等）中，信息处理通常是按照固定的规则和结构进行的，模型对输入的各个部分给予相同的关注。
  • 用 AI 解决心理健康匹配难题：探索 NLP 在心理咨询领域的应用
    AI在心理健康行业的机遇与挑战心理健康行业近年来增长迅速，但仍然面临诸多技术挑战：•精准匹配：如何利用AI/NLP理解用户情绪、需求、心理状态，匹配合适的心理咨询师？•数据隐私：如何在AI分析过程中保障用户数据安全，避免敏感信息泄露？•智能化vs.人性化：如何平衡算法推荐与人工咨询的个性化，避免AI过度干预？这些问题，正是我们当前研究和探索的方向！研究方向：如何用AI进行智能匹配？我们正在研究如何
  • 自然语言处理（Natural Language Processing, NLP）的主要应用及核心技术 彬彬侠 自然语言处理NLP自然语言处理
    自然语言处理（NLP）是人工智能（AI）的一个重要分支，旨在让计算机能够理解、生成和处理人类语言。NLP在多个领域有着广泛的应用，并结合了多种先进的技术，包括机器学习（ML）、深度学习（DL）、统计模型以及规则方法。1.自然语言处理的主要应用1.1机器翻译（MachineTranslation,MT）应用场景：在线翻译：GoogleTranslate、DeepL、BaiduTranslate。跨语
  • 如何选择AI外呼产品？技术人必看的五大核心指标 MARS_AI_ 人工智能自然语言处理语音识别信息与通信nlp
    随着AI技术的快速发展，AI外呼产品逐渐成为企业客户沟通与业务拓展的利器。然而，面对市场上琳琅满目的解决方案，如何选择一款真正适合自身业务的AI外呼产品？本文从技术视角出发，结合实际应用场景，总结出五大核心评估指标，助你科学决策。一、技术核心：从算法到落地的关键AI外呼产品的核心能力取决于其底层技术架构，尤其是自然语言处理（NLP）与大模型技术的应用水平。以下是不同技术方案的对比：技术选型建议：•
  • 29、深度学习-自学之路-深入理解-NLP自然语言处理-做一个完形填空，让机器学习更多的内容程序展示 小宇爱 深度学习-自学之路深度学习自然语言处理机器学习
    importsys,random,mathfromcollectionsimportCounterimportnumpyasnpnp.random.seed(1)random.seed(1)f=open('reviews.txt')raw_reviews=f.readlines()f.close()tokens=list(map(lambdax:(x.split("")),raw_reviews)
  • 深度学习的前沿与挑战：从基础到最新进展 Jason_Orton 深度学习人工智能数据挖掘机器学习
    目录引言什么是深度学习？深度学习的工作原理深度学习的关键技术1.卷积神经网络（CNN）2.循环神经网络（RNN）3.生成对抗网络（GAN）4.变分自编码器（VAE）5.自注意力机制与Transformer深度学习的应用1.计算机视觉2.自然语言处理（NLP）3.语音识别与合成4.推荐系统5.医学影像分析深度学习面临的挑战结语引言深度学习（DeepLearning）近年来成为人工智能领域的核心技术之
  • 【AI视野·今日NLP 自然语言处理论文速览 第八十期】Fri, 1 Mar 2024 hitrjj LLMNLPPapers人工智能自然语言处理NLPLLM大语言模型
    AI视野·今日CS.NLP自然语言处理论文速览Fri,1Mar2024Totally67papers上期速览✈更多精彩请移步主页DailyComputationandLanguagePapersLooseLIPSSinkShips:AskingQuestionsinBattleshipwithLanguage-InformedProgramSamplingAuthorsGabrielGrand,V
  • 枚举的构造函数中抛出异常会怎样 bylijinnan javaenum单例
    首先从使用enum实现单例说起。 为什么要用enum来实现单例？ 这篇文章（ http://javarevisited.blogspot.sg/2012/07/why-enum-singleton-are-better-in-java.html）阐述了三个理由： 1.enum单例简单、容易，只需几行代码： public enum Singleton { INSTANCE;
  • CMake 教程 aigo C++
    转自：http://xiang.lf.blog.163.com/blog/static/127733322201481114456136/   CMake是一个跨平台的程序构建工具，比如起自己编写Makefile方便很多。 介绍：http://baike.baidu.com/view/1126160.htm 本文件不介绍CMake的基本语法，下面是篇不错的入门教程： http:
  • cvc-complex-type.2.3: Element 'beans' cannot have character Cb123456 springWebgis
      cvc-complex-type.2.3: Element 'beans' cannot have character     Line 33 in XML document from ServletContext resource [/WEB-INF/backend-servlet.xml] is i
  • jquery实例:随页面滚动条滚动而自动加载内容 120153216 jquery
    <script language="javascript"> $(function (){ var i = 4;$(window).bind("scroll", function (event){ //滚动条到网页头部的 高度，兼容ie,ff,chrome var top = document.documentElement.s
  • 将数据库中的数据转换成dbs文件 何必如此 sqldbs
    旗正规则引擎通过数据库配置器（DataBuilder）来管理数据库，无论是Oracle，还是其他主流的数据都支持，操作方式是一样的。旗正规则引擎的数据库配置器是用于编辑数据库结构信息以及管理数据库表数据，并且可以执行SQL 语句，主要功能如下。 1)数据库生成表结构信息：         主要生成数据库配置文件(.conf文
  • 在IBATIS中配置SQL语句的IN方式 357029540 ibatis
    在使用IBATIS进行SQL语句配置查询时，我们一定会遇到通过IN查询的地方，在使用IN查询时我们可以有两种方式进行配置参数：String和List。具体使用方式如下： 1.String:定义一个String的参数userIds，把这个参数传入IBATIS的sql配置文件，sql语句就可以这样写： <select id="getForms" param
  • Spring3 MVC 笔记（一） 7454103 springmvcbeanRESTJSF
             自从 MVC 这个概念提出来之后 struts1.X  struts2.X   jsf 。。。。。 这个view 层的技术一个接一个！ 都用过！不敢说哪个绝对的强悍！ 要看业务，和整体的设计！      最近公司要求开发个新系统！
  • Timer与Spring Quartz 定时执行程序 darkranger springbean工作quartz
    有时候需要定时触发某一项任务。其实在jdk1.3，java sdk就通过java.util.Timer提供相应的功能。一个简单的例子说明如何使用，很简单： 1、第一步，我们需要建立一项任务，我们的任务需要继承java.util.TimerTask package com.test; import java.text.SimpleDateFormat; import java.util.Date;
  • 大端小端转换，le32_to_cpu 和cpu_to_le32 aijuans C语言相关
    大端小端转换，le32_to_cpu 和cpu_to_le32  字节序 http://oss.org.cn/kernel-book/ldd3/ch11s04.html         小心不要假设字节序. PC 存储多字节值是低字节为先(小端为先, 因此是小端), 一些高级的平台以另一种方式(大端)
  • Nginx负载均衡配置实例详解 avords
    [导读] 负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。负载均衡先来简单了解一下什么是负载均衡，单从字面上的意思来理解就可以解 负载均衡是我们大流量网站要做的一个东西，下面我来给大家介绍在Nginx服务器上进行负载均衡配置方法，希望对有需要的同学有所帮助哦。 负载均衡 先来简单了解一下什么是负载均衡
  • 乱说的 houxinyou 框架敏捷开发软件测试
    从很久以前，大家就研究框架，开发方法，软件工程，好多！反正我是搞不明白！ 这两天看好多人研究敏捷模型，瀑布模型！也没太搞明白. 不过感觉和程序开发语言差不多， 瀑布就是顺序，敏捷就是循环. 瀑布就是需求、分析、设计、编码、测试一步一步走下来。而敏捷就是按摸块或者说迭代做个循环，第个循环中也一样是需求、分析、设计、编码、测试一步一步走下来。 也可以把软件开发理
  • 欣赏的价值——一个小故事 bijian1013 有效辅导欣赏欣赏的价值
    　　第一次参加家长会，幼儿园的老师说："您的儿子有多动症，在板凳上连三分钟都坐不了，你最好带他去医院看一看。"　　回家的路上，儿子问她老师都说了些什么，她鼻子一酸，差点流下泪来。因为全班30位小朋友，惟有他表现最差；惟有对他，老师表现出不屑，然而她还在告诉她的儿子："老师表扬你了，说宝宝原来在板凳上坐不了一分钟，现在能坐三分钟。其他妈妈都非常羡慕妈妈，因为全班只有宝宝
  • 包冲突问题的解决方法 bingyingao eclipsemavenexclusions包冲突
    包冲突是开发过程中很常见的问题： 其表现有： 1.明明在eclipse中能够索引到某个类，运行时却报出找不到类。 2.明明在eclipse中能够索引到某个类的方法，运行时却报出找不到方法。 3.类及方法都有，以正确编译成了.class文件，在本机跑的好好的，发到测试或者正式环境就 抛如下异常： java.lang.NoClassDefFoundError: Could not in
  • 【Spark七十五】Spark Streaming整合Flume-NG三之接入log4j bit1129 Stream
    先来一段废话： 实际工作中，业务系统的日志基本上是使用Log4j写入到日志文件中的，问题的关键之处在于业务日志的格式混乱，这给对日志文件中的日志进行统计分析带来了极大的困难，或者说，基本上无法进行分析，每个人写日志的习惯不同，导致日志行的格式五花八门，最后只能通过grep来查找特定的关键词缩小范围，但是在集群环境下，每个机器去grep一遍，分析一遍，这个效率如何可想之二，大好光阴都浪费在这上面了
  • sudoku solver in Haskell bookjovi sudokuhaskell
    这几天没太多的事做，想着用函数式语言来写点实用的程序，像fib和prime之类的就不想提了（就一行代码的事），写什么程序呢？在网上闲逛时发现sudoku游戏，sudoku十几年前就知道了，学生生涯时也想过用C/Java来实现个智能求解，但到最后往往没写成，主要是用C/Java写的话会很麻烦。   现在写程序，本人总是有一种思维惯性，总是想把程序写的更紧凑，更精致，代码行数最少，所以现
  • java apache ftpClient bro_feng java
    最近使用apache的ftpclient插件实现ftp下载，遇见几个问题，做如下总结。 1. 上传阻塞，一连串的上传，其中一个就阻塞了，或是用storeFile上传时返回false。查了点资料，说是FTP有主动模式和被动模式。将传出模式修改为被动模式ftp.enterLocalPassiveMode();然后就好了。 看了网上相关介绍，对主动模式和被动模式区别还是比较的模糊，不太了解被动模
  • 读《研磨设计模式》-代码笔记-工厂方法模式 bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ package design.pattern; /* * 工厂方法模式：使一个类的实例化延迟到子类 * 某次，我在工作不知不觉中就用到了工厂方法模式（称为模板方法模式更恰当。2012-10-29）： * 有很多不同的产品，它
  • 面试记录语 chenyu19891124 招聘
    或许真的在一个平台上成长成什么样，都必须靠自己去努力。有了好的平台让自己展示，就该好好努力。今天是自己单独一次去面试别人，感觉有点小紧张，说话有点打结。在面试完后写面试情况表，下笔真的好难，尤其是要对面试人的情况说明真的好难。 今天面试的是自己同事的同事，现在的这个同事要离职了，介绍了我现在这位同事以前的同事来面试。今天这位求职者面试的是配置管理，期初看了简历觉得应该很适合做配置管理，但是今天面
  • Fire Workflow 1.0正式版终于发布了 comsci 工作workflowGoogle
    Fire Workflow 是国内另外一款开源工作流，作者是著名的非也同志，哈哈.... 官方网站是 http://www.fireflow.org 经过大家努力,Fire Workflow 1.0正式版终于发布了 正式版主要变化: 1、增加IWorkItem.jumpToEx(...)方法，取消了当前环节和目标环节必须在同一条执行线的限制，使得自由流更加自由 2、增加IT
  • Python向脚本传参 daizj python脚本传参
    如果想对python脚本传参数，python中对应的argc, argv(c语言的命令行参数)是什么呢？ 需要模块：sys 参数个数：len(sys.argv) 脚本名：    sys.argv[0] 参数1：     sys.argv[1] 参数2：     sys.argv[
  • 管理用户分组的命令gpasswd dongwei_6688 passwd
    NAME： gpasswd - administer the /etc/group file SYNOPSIS： gpasswd group gpasswd -a user group gpasswd -d user group gpasswd -R group gpasswd -r group gpasswd [-A user,...] [-M user,...] g
  • 郝斌老师数据结构课程笔记 dcj3sjt126com 数据结构与算法
    <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
  • yii2 cgridview加上选择框进行操作 dcj3sjt126com GridView
    页面代码 <?=Html::beginForm(['controller/bulk'],'post');?> <?=Html::dropDownList('action','',[''=>'Mark selected as: ','c'=>'Confirmed','nc'=>'No Confirmed'],['class'=>'dropdown',])
  • linux mysql fypop linux
    enquiry mysql version in centos linux yum list installed | grep mysql yum -y remove mysql-libs.x86_64 enquiry mysql version in yum repositoryyum list | grep mysql oryum -y list mysql* install mysq
  • Scramble String hcx2013 String
    Given a string s1, we may represent it as a binary tree by partitioning it to two non-empty substrings recursively. Below is one possible representation of s1 = "great":
  • 跟我学Shiro目录贴 jinnianshilongnian 跟我学shiro
    历经三个月左右时间，《跟我学Shiro》系列教程已经完结，暂时没有需要补充的内容，因此生成PDF版供大家下载。最近项目比较紧，没有时间解答一些疑问，暂时无法回复一些问题，很抱歉，不过可以加群（334194438/348194195）一起讨论问题。     ----广告-----------------------------------------------------
  • nginx日志切割并使用flume-ng收集日志 liyonghui160com
         nginx的日志文件没有rotate功能。如果你不处理，日志文件将变得越来越大，还好我们可以写一个nginx日志切割脚本来自动切割日志文件。第一步就是重命名日志文件，不用担心重命名后nginx找不到日志文件而丢失日志。在你未重新打开原名字的日志文件前，nginx还是会向你重命名的文件写日志，linux是靠文件描述符而不是文件名定位文件。第二步向nginx主
  • Oracle死锁解决方法 pda158 oracle
    　select p.spid,c.object_name,b.session_id,b.oracle_username,b.os_user_name from v$process p,v$session a, v$locked_object b,all_objects c where p.addr=a.paddr and a.process=b.process and c.object_id=b.
  • java之List排序 shiguanghui list排序
       在Java Collection Framework中定义的List实现有Vector，ArrayList和LinkedList。这些集合提供了对对象组的索引访问。他们提供了元素的添加与删除支持。然而，它们并没有内置的元素排序支持。 　　你能够使用java.util.Collections类中的sort()方法对List元素进行排序。你既可以给方法传递
  • servlet单例多线程 utopialxw 单例多线程servlet
    转自http://www.cnblogs.com/yjhrem/articles/3160864.html 和   http://blog.chinaunix.net/uid-7374279-id-3687149.html Servlet 单例多线程 Servlet如何处理多个请求访问？Servlet容器默认是采用单实例多线程的方式处理多个请求的：1.当web服务器启动的
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他