sendoh24
sendoh24

CCKS笔记

2020年全国知识图谱与语义计算大会 CCKS

目录

  • 2020年全国知识图谱与语义计算大会 CCKS
    • 知识图谱研究进展至自然语言处理角度
    • 从语义网角度看待知识图谱的最新研究
      • 融合事实文本描述的知识库问答

##推语言模型的前沿研究(李航)

  1. 语言模型的发展史
    • 隐马尔可夫链
      • n-gram Language Model(n-1阶马尔科夫链)
    • Entropy and Cross Entropy
    • Chomsky hierarchy
      • Fine state Grammer
    • Neural Language Model
      • 神经网络的参数就是语言模型的参数
      • 稠密的相对低维的实向量来表示单词 Word Embedding
      • 每个单词与周围的n-1个参数相关
    • RNN Language Model
      • LSTM
    • Pre-Trained Language Model
      • Transformer
      • Fine-tuning
    • Pretrained Language Model：GPT 语言的生成
    • Pretrained Language Model：BERT 语言的理解
  2. 最近工作:Soft-Masked Bert 和 AMBERT(A Multi-Grained BERT)
    • Soft-Masked Bert
      • 一个模型用于中文错别字的纠错
      • 基于Bert的模型没有很好的检错能力有很好的的纠错能力
      • 此模型一个检错网络：双向的GRU 一个纠错网络：Bert模型
      • 检错网络计算每个字是否是错别字的概率，将这个概率传递给纠错网络，用于bert进行mask
    • AMBERT
      • 一个新的预训练模型的方法，用多颗粒度的词和字做语言模型
      • 字粒度和词粒度，使用两个BERT，一个是字粒度和词粒度，一起做训练，参数共享(能更好的看字和词)。然后进行模型好的拼接。
  3. 展望
    • 预训练语言模型的优缺点
      • 在模仿人怎么使用语言，在交叉熵的意义上更逼近人的语言
    • 两个方向
      • 语法的角度、词汇的角度
      • 多模态的方向，一个语言的形成是多模态的
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RxSCmbhC-1607505417541)(…/static/image/李航文献.PNG)]

知识图谱研究进展至自然语言处理角度

  1. 三大会
    • ACL
    • 关系、实体、知识图谱表示这方面工作的文章增加
  2. 实体相关的研究
    • 多模态NER
      • 图片的视觉信息和文本的信息进行统一的建模
      • 利用代码中含有的丰富的信息来加强StackOverFlow上帖子文本的命名实体识别
    • 低资源NER
      • 跨领域
        • 不用领域信息的共通性，实现知识迁移
        • 基于不同领域实体类型相对稳定(例如人名地名)的现象，提出了multi-cell composition LSTM结构
      • 跨语言
        • Teacher-Student Model
        • unlabeled data in target language
    • Weak Supervision 弱监督
      • No Labelled Data
      • Labelling functions
      • Label Aggregations
    • 数据集的自动构建
      • Entity Trigger: A group of words in a sentence that helps to explain why humans would recognize an entity in the sentence
    • 联合抽取
      • 联合抽取共享NER和RE的信息，信息的利用更充分
    • 开放抽取
      • 关系抽取只能抽取文本中的一小部分信息
      • Open IE 在处理科学文本时遇到长句子和复杂句子表现不佳
      • Ruben Kruiper 结合两种系统的输出，提出半开放的关系抽取
    • 文档级的抽取
      • 利用整篇文档中的上下文信息加强关系抽取
      • 需要捕获句子间实体的复杂交互
      • Latent Structure Refinement（LSR）模型动态的学习文档级结构，并以端到端方式预测
    • 低资源的抽取
      • 从半结构化文本提取信息的工作需要=依赖给定模板，模板需要通过手工标记或远程监督获得
      • Colin Lockard 提出了一种"Zeo-Shot"开放域关系抽取的解决方案，使用基于图神经网络的方法在网页上构建文本的丰富表示
        以及它们之间的关系，使其泛化成为新的模板
  3. 模型的可解释性
    • Wang et al. 提出了一种新的可解释的医学关系预测框架，以期为医学关系越策的合理化提出了参考
  4. 知识图谱的构建
    • 融合知识的预训练语言模型
      • ELMo：双向LSTM
      • GPT：单向Transformer
      • BERT：双向Transformer
      • XLNet，GPT3
    • 知识增强的预训练语言模型
      • K-BERT：知识支持的语言表示模型，可以合并特殊领域知识
      • 通过结合知识图谱，K-BERT不仅在特定领域上明显胜过BERT，而且在开放域也胜过BERT
  5. 知识与推理
    - 引入知识的多跳推理
    - 对话生成模型ConceptFLow，利用常识KG来显示地对对话流进行建模
    - 知识推理提高可解释性
  6. 融合知识的NLP任务
    • 基于知识的词义消歧
    • 基于知识的对话生成
    • 基于知识的文本生成
      • Knowledge Graph-Augemented Abstractive Summarization with Semantic Driven Cloze Reward
      • An Unsupervised Joint System for Text Generation from Knowledge Graphs and Semantic Parsing
    • 基于知识的阅读理解
      • Synonym Knowledge Enhanced Reader for Chinese Idiom Reading Comprehension
    • 基于知识的事件因果分析
      • KnowDis：Knowledge Enhanced Data Augmentation for Event Casually Detection via Distant Supervision

从语义网角度看待知识图谱的最新研究

  1. 2020年语义网领域三大会议：WWW、ISWC、ESWC
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OpC798M6-1607505417544)(…/static/image/热点分析.PNG)]
  2. 知识图谱表示学习
    • 多元关系
      • 多元关系知识库的链接预测
      • 定义：给定n元关系和(n-1)个相关实体，预测缺失的那个实体
      • 现有工作
        • 基于翻译距离的模型->表达能力弱
        • 基于神经网络的模型 ->复杂度高
      • 本文思路：泛化张量分解（2元->n元）
        • 一个n元关系知识库->(n+1)阶知识库张量
      • 具体做法：
        • 通过tucker分解来分解原始知识库张量
        • 将核心张量W重塑为k阶张量W弧
        • 通过Tucker Ring分解来分解重塑张量W弧
    • 新兴实体
      • 新兴实体
        • 与知识图谱中已有实体的关联非常稀疏
      • 一个归纳式的学习表示框架
        • 适合于拥有许多新兴实体的动态知识图谱
        • 保留了基于路径的模型的可解释性推理
      • 顶点表示归纳
        • Graph Transformer编码
          • 根据邻域信息与查询关系的相关性来聚合邻域信息
      • 可解释性推理
        • 强化学习编码
          • 使用策略梯度来解码得到通往答案实体的推理路径
    • 时序图谱
      • 大多是现有的知识图谱表示学习模型忽略了图谱中有用的时序信息
      • 知识感知的事实
      • ATiSE
        • 使用多维加性时间序列分解来刻画实体/关系额时间演变过程
          • 时间序列 = 趋势+周期+随机
        • 考虑实体/关系表示随着实际那原话的不确定性将时序知识图谱的表示映射到多为高斯分布的空间中
  3. 知识抽取和图谱构建
    • 开放关系抽取
      • 开放关系抽取：在无结构文本中发现实体之间的任意语义关联
      • LOREM
        • 特点：不依赖特定语言知识和外部的NLP工具
          • 利用语言一致的关系结构来提升多语言的性能
          • 使用多语言对齐的词嵌入作为关系抽取器的输入
        • 具体做法
          • 一个面向特定语言的模型
          • 一个面向多有语言的模型
          • 一个组合层
    • 低资源知识图谱补全
      • 知识图谱补全:通过连接预测和关系抽取来填补缺失的关联
        • 低资源环境：新添加的关系通常只有很少的训练样例
      • 主要思想：利用一个对抗过程来帮助把从高资源关系所学习的知识/特征适配到不同但相关的低资源网络
      • 具体做法：加权关系对抗网络
        • 对抗关系适配：寻找可以区分具有不同关系分布的样本的关系判别器
        • 加权关系适配：识别无关的源关系/样本并自动降低其重要性，已解决负迁移问题并鼓励正迁移
    • 长尾实体丰富
      -长尾实体
      - Freebase中约有210万个实体少于10个事实，而有7655个实体超过一千个事实
      - 幂律分布
      • 现有工作
        • 仅针对实体丰富的部分环节
        • 缺乏对长尾实体的特别处理
      • 本文思路
        • 借助相似的流行实体和广泛可用的Web数据
          • 要找出一个人缺少什么，就要看其他人拥有什么
          • 一些长尾实体知识在知识库中缺乏事实，而不是在真实世界中也缺乏实体
  4. 实体对齐
    • 多类型实体
      • 实体对齐：识别不同知识图谱中支撑真实世界相同对象的实体
      • 本文动机：
        • 针对不同实体类型的对齐策略可能不同
        • 当前的实体对齐模型不能通过单一模型来对齐多类型实体
      • 本文思想：集体决策
        • 精心设计的注意力机制：有效利用共享邻居信息作为正面证据，也不会忽略重要的负面证据
      • CG-MuAlign
        • Node-level cross-graph attention：相似邻居
        • Edge-level relation-aware self-attention ：负面证据
    • 短期区别和长期依赖
      • 主要思想：捕获周围实体和多跳实体中隐含的实体之间的一些高级交互
        • 短期区别和长期依赖
      • 具体做法
        • 长期依赖：随机游走+自注意力
        • 短期区别：GNN
    • 多上下文注意力
      • Entity matching with textual instances（数据库领域)
      • MCA(multi-context attention)
        • 主要思想：对于实体文本描述对齐，充分挖掘嵌入向量的语义上下文
        • 具体做法
          • self-attention
          • Pair-attention
          • Global-attention
          • Attribute-attention
  5. 搜索、摘要、对剑
    • 实体摘要
      • 面临挑战：当前实体摘要的质量无法满足用户的信息需求时，缺乏改进实体摘要的机制
      • DRESSED
        • 主要思想：将用户引入摘要过程，获得用户反馈
        • 交互过程："删除-替代"场景
          • 用户删除“删除项”，系统替换上“替代项”
    • 知识图谱增强推荐
      • 推荐中的冷启动问题
        • 知识图谱提供了物品之间的大量关系
          • 假设存在物品到知识图谱的映射
        • 更好的推荐很少与用户互动的全新物品
      • 本文思路：规则学习+图神经网络
        • 规则
          • user-(interacts)->Red-(singer)->Tailor Swift<-(singer)-Style
          • 捕获用户与商品的显示长程语义
        • 图神经网络
          • 保存各种关联，提供更丰富的信息
  6. 知识图谱问答
    • 基于知识图谱问答
      • 实体链接
        • PNEL
          • 主要思想：使用指针网络解决端到端的实体链接
          • 具体做法：特征工程
            • 4 n-grams+top-L matches
            • 对每个候选，计算9个特征，拼接成1142维向量
    • 关系链接
      • 挑战：自然语义的歧义性、训练数据的缺乏
      • SLING
        • 主要思想：AMR、远程监督
        • 具体做法
          • 输入问题文本和AMR图
          • QMG 模块产生三种元数据
            • AMR三元组、知识库实体和类型、答案类型预测
          • RL模块包括两种远程监督模型和两种无监督模型
            • 整合每种模型的得分并排序
  7. 新数据集
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FPF8g3rG-1607505417546)(…/static/image/新数据集.PNG)]

融合事实文本描述的知识库问答

  1. 研究现状
    • 基于深度学习的方法
      • Bordes 将深度学习的方法引入到知识库问答中
      • Dong等人提出东三个不同的维度生成三个不同的答案向量由于问题答案的匹配
      • Hao等人通过一种交叉注意机制，格努局不同的候选问答方面对问题进行编码
      • Huang等人提出了将问题的文本空间向量装花城知识库空间向量，包括实体向量和关系向量进行匹配
    • 挑战
      • 自然语言问题与知识库的三元组的语义鸿沟
    • 解决思路
      • 将三元组信息转换成文本信息
      • 利用BERT进行文本表示学习
  2. 方法模型
    • 事实文本模本模板
    • BERT进行表示学习
    • 通过余弦相似度计算
    • 主题实体识别模型：双向LSTM模型，将问题构建成三元组，与知识图谱的答案的三元的进行相似度匹配
    • 预训练模型是提高的主要部分

你可能感兴趣的:(知识图谱,知识图谱)

  • 音视频知识图谱 2022.04 关键帧Keyframe
    前些时间，我在知识星球上创建了一个音视频技术社群：关键帧的音视频开发圈，在这里群友们会一起做一些打卡任务。比如：周期性地整理音视频相关的面试题，汇集一份音视频面试题集锦，你可以看看《音视频面试题集锦2022.04》。再比如：循序渐进地归纳总结音视频技术知识，绘制一幅音视频知识图谱。下面是2022.04月知识图谱新增的内容节选：1）图谱路径：**采集/音频采集/声音三要素/响度******主观计量响
  • 大数据毕业设计hadoop+spark+hive知识图谱租房数据分析可视化大屏 租房推荐系统 58同城租房爬虫 房源推荐系统 房价预测系统 计算机毕业设计 机器学习 深度学习 人工智能 2401_84572577 程序员大数据hadoop人工智能
    做了那么多年开发，自学了很多门编程语言，我很明白学习资源对于学一门新语言的重要性，这些年也收藏了不少的Python干货，对我来说这些东西确实已经用不到了，但对于准备自学Python的人来说，或许它就是一个宝藏，可以给你省去很多的时间和精力。别在网上瞎学了，我最近也做了一些资源的更新，只要你是我的粉丝，这期福利你都可拿走。我先来介绍一下这些东西怎么用，文末抱走。（1）Python所有方向的学习路线（
  • 【笔记】自然语言处理NLP---概论 xhanZ NLP相关
    （from人文学院开设课程）目录1.自然语言处理概论1.1自然语言处理研究的意义、历史与现状1.1.1自然语言的特点1.1.2自然语言处理研究的意义1.1.3国外研究现状1.2NLP的方法、特点和规律1.2.1理性主义与经验主义1.2.2语料库语言学：经验主义研究方法1.2.3汉语语言处理的方法1.2.4基于知识图谱的深度学习1.自然语言处理概论1.1自然语言处理研究的意义、历史与现状1.1.1自
  • GraphRAG入门:基本概念、应用场景及学习方法 学习中的程序媛~ 学习方法
    一、GraphRAG的用途是什么GraphRAG用于复杂信息分析,适合处理跨文档、有噪音或主题抽象的数据.二、GraphRAG能做什么GraphRAG能连接大量信息,回答普通难搜索难以解答的问题.她可以回答跨文档的问题,也能总结数据集的主要主题.三、GraphRAG的特点1.知识图谱提取:使用llm自动从输入文本文档中创建知识图谱,表示数据中的实体、关系和关键声明2.层次聚类使用leiden技术对
  • 【Java那些年系列-启航篇 01】史上最强JavaSE学习路线图 & 知识图谱 夏之以寒 Java那些年专栏JavaJavaSEJava学习路线Java知识图谱
    【Java那些年系列-启航篇01】史上最强JavaSE学习路线图&知识图谱作者名称：纸飞机-暖阳作者简介：专注于Java和大数据领域，致力于探索技术的边界，分享前沿的实践和洞见文章专栏：Java那些年专栏专栏介绍：本专栏涵盖了JavaSE从基础语法到面向对象编程，从异常处理到集合框架，从I/O流到多线程并发，再到网络编程和虚拟机内部机制等一系列编程要素个人感慨：市面上关于JavaSE的学习路线或知
  • 【Java那些年系列-启航篇 04】Java程序架构：深入理解类与对象的设计原则 夏之以寒 Java那些年专栏java架构类对象数据结构
    作者名称：纸飞机-暖阳作者简介：专注于Java和大数据领域，致力于探索技术的边界，分享前沿的实践和洞见文章专栏：Java那些年专栏专栏介绍：本专栏涵盖了JavaSE从基础语法到面向对象编程，从异常处理到集合框架，从I/O流到多线程并发，再到网络编程和虚拟机内部机制等一系列编程要素个人感慨：市面上关于JavaSE的学习路线或知识图谱很繁杂，学习起来比较费劲，Java知识体系非常庞大，刚接触阶段只需要
  • 计算机毕业设计hadoop+spark知识图谱房源推荐系统 房价预测系统 房源数据分析 房源可视化 房源大数据大屏 大数据毕业设计 机器学习 计算机毕业设计大全
    创新点：1.支付宝沙箱支付2.支付邮箱通知(JavaMail)3.短信验证码修改密码4.知识图谱5.四种推荐算法(协同过滤基于用户、物品、SVD混合神经网络、MLP深度学习模型)6.线性回归算法预测房价7.Python爬虫采集链家数据8.AI短信识别9.百度地图API10.lstm情感分析11.spark大屏可视化开发技术：springbootvue.jspythonechartssparkmys
  • WeKnow-RAG：智能自适应的检索增强生成方法 步子哥 人工智能
    在当今快速发展的人工智能领域，检索增强生成（Retrieval-AugmentedGeneration，RAG）方法逐渐成为一种新兴的解决方案。CobusGreyling在他最新的文章中深入探讨了WeKnow-RAG，这一方法通过结合知识图谱和网络搜索技术，极大地提升了大型语言模型（LLMs）在复杂查询中的表现。知识图谱的力量知识图谱（KnowledgeGraphs,KGs）作为信息检索的重要工具
  • 大数据毕业设计hadoop+spark+hive微博舆情情感分析 知识图谱微博推荐系统 qq_79856539 javaweb大数据hadoop课程设计
    （一）Selenium自动化Python爬虫工具采集新浪微博评论、热搜、文章等约10万条存入.csv文件作为数据集；（二）使用pandas+numpy或MapReduce对数据进行数据清洗，生成最终的.csv文件并上传到hdfs；（三）使用hive数仓技术建表建库，导入.csv数据集；（四）离线分析采用hive_sql完成，实时分析利用Spark之Scala完成;（五）统计指标使用sqoop导入m
  • 大数据毕业设计天hadoop+spark+hive游戏推荐系统 游戏数据分析可视化大屏 steam游戏爬虫 游戏大数据 机器学习 知识图谱 计算机毕业设计 机器学习 深度学习 人工智能 知识图谱 2401_84159688 程序员大数据hadoop人工智能
    |—||一、选题的目的和意义用户往往因为不能及时查看游戏信息而造成许多烦恼。另一方面，游戏商城平台没能进行系统的管理与维护使游戏信息没能及时的更新。而传统的游戏信息管理，采用的还是手工备案、人工查询的方式。但是随之游戏信息的增多这种管理方式的工作量不断加大，这种做法就存在费时费力、缺乏时效性、不利于调动人员的积极性等缺点。一旦网站建立好之后，一方面，用户可以在第一时间在系统里查询所需的信息，另一方
  • graphRAG原理解析——基于微软graphRAG+Neo4j llm-graph-builder 赖皮猫 neo4j
    知识图谱生成llm-graph-builder（以下简称LGB）也使用了最新的graph+RAG的思路，使用知识图谱来加持RAG，提供更加准确和丰富的知识问答。知识图谱的生成上，利用大模型的泛化能力来自动生成和构建知识图谱，包括实体、关系和属性等。其相较于微软开源的GraphRAG（以下简称MS-GRAG）有很多相似和同源之处，但也有很多的不同。模块能力llm-graph-builderGraph
  • 在neo4j中导入csv文件并构建知识图谱 芹菜还是菜 知识图谱neo4j知识图谱
    本文csv文件数据来源于openKG中达观的开源知识图谱数据。从开源社区中下载下来的数据文件还是json，先用python把json文件转为csv文件。import csvimport jsonwith open('entities.json','r',encoding='utf-8')as fp:  data=json.load(fp,strict=False)csv_file=open('en
  • 深入理解PyTorch中的MessagePassing 小桥流水---人工智能 深度学习机器学习算法人工智能pytorch人工智能python
    深入理解PyTorch中的MessagePassing图神经网络（GraphNeuralNetworks，简称GNNs）在近年来已成为处理图形数据的一种强大工具，广泛应用于社交网络分析、蛋白质结构预测、知识图谱增强等多个领域。PyTorchGeometric（PyG）是基于PyTorch的一个库，专为图神经网络的研究和实现而设计。在PyG中，MessagePassing类是实现图神经网络层的核心组
  • ecchart关系图展示（知识图谱） P-ShineBeam 知识基础echarts前端javascript
    ECharts关系图#box{display:none;background-color:lightgoldenrodyellow;width:200px;height:260px;position:absolute;right:10px;top:150px;}#box-type{display:block;}#box-name{display:block;}/*#box-index{*//*di
  • 计算机毕业设计Hadoop+Spark知识图谱体育赛事推荐系统 体育赛事热度预测系统 体育赛事数据分析 体育赛事可视化 体育赛事大数据 机器学习 大数据毕业设计 大数据毕设 机器学习 人工智能 计算机毕业设计大全
    开发技术前端：vue.js、element-ui、echarts后端：springboot、mybatis大数据：spark、hadoop数据库：mysql关系型数据库、neo4j图数据库算法：协同过滤推荐算法、MLP深度学习模型、SVD神经网络混合推荐算法、lstm模型、KNN、CNN、Sklearn、K-Means第三方平台：百度AI、阿里云短信、支付宝沙箱支付爬虫：Pythonchrome-
  • React+Vis.js（06）：vis.js修改选中节点的样式和边的样式 叁拾舞 Vis.jsjavascriptreact.js前端vis.js
    文章目录初始化知识图谱选中节点修改节点背景颜色选中节点修改节点文字颜色未选中节点恢复节点背景颜色和文字颜色修改当前选中节点的边的颜色初始化知识图谱创建network.js组件，来初始化原始知识图谱：importReact,{useRef,useEffect}from"react";importvisfrom"vis";constnodes=newvis.DataSet([
  • 图神经网络GNN的前世今生 小桥流水---人工智能 Python程序代码深度学习人工智能神经网络人工智能深度学习
    GNN图神经网络（GraphNeuralNetwork，简称GNN）已经成为处理图形结构数据的一种强大工具，广泛应用于社交网络分析、知识图谱、推荐系统等领域。在本文中，我们将深入探讨图神经网络的历史背景、关键的发展阶段以及未来可能的发展方向。一、背景介绍图（Graph）是一种数据结构，由节点（Node）和连接节点的边（Edge）组成。在许多现实世界的应用中，数据自然地呈现出图形结构，如社交网络中的
  • A Survey of Large Language Models on Generative Graph Analytics: Query, Learning, and Applications UnknownBody LLMDailySurveyPaperLLMforGraph语言模型人工智能自然语言处理
    本文是LLM系列文章，针对《ASurveyofLargeLanguageModelsonGenerativeGraphAnalytics:Query,Learning,andApplications》的翻译。生成图分析的大型语言模型综述：查询、学习和应用摘要1引言2前言3图结构理解任务4图学习任务5图形推理6图表示7基于知识图谱的增强检索8基于图LLM的应用9基准数据集和评估10未来的方向11结论
  • 计算机毕业设计hadoop+spark知识图谱美食推荐系统 美食价格预测 美团推荐系统 美团爬虫 大众点评爬虫 美食数据分析 美食可视化大屏 大数据毕设 计算机毕业设计大全
    创新点：1.支付宝沙箱支付2.支付邮箱通知(JavaMail)3.短信验证码修改密码4.知识图谱5.四种推荐算法(协同过滤基于用户、物品、SVD混合神经网络、MLP深度学习模型)6.线性回归算法预测房价7.Python爬虫采集大众点评美食数据8.AI短信识别9.百度地图API10.lstm情感分析11.spark大屏可视化开发技术：springbootvue.jspythonechartsspar
  • 计算机毕业设计hadoop+spark知识图谱高考分数预测系统 高考志愿推荐系统 高考可视化大屏 高考大数据 高考数据分析 高考爬虫 大数据毕业设计 计算机毕业设计大全
    开发技术hadoopsparkspringbootvue.jsPython爬虫、机器学习、深度学习mybatis-plusneo4j知识图谱图数据库mysql协同过滤算法(基于物品、基于用户模式)MLP模型SVD神经网络CNN、KNN、GNN卷积神经网络预测算法阿里云平台百度AI平台阿里大于短信平台lstm模型创新点4种机器学习推荐算法进行高考志愿学校推荐1种深度学习模型进行高考分数线预测hado
  • 多模态大模型Internvl-1.5-26B微调后部署及测试实录（附代码） 写代码的中青年 大模型promptpython大模型swift微调lora
    大模型相关目录大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容从0起步，扬帆起航。基于Dify的智能分类方案：大模型结合KNN算法（附代码）OpenCompass：大模型测评工具一文读懂多模态大模型基础架构大模型管理平台：one-api使用指南大模型RAG、ROG、RCG概念科普RAGOnMedicalKG：大模型
  • 百度Ernie大模型是什么？ 会飞的岛格酱 AIGCAIGC百度人工智能
    百度的Ernie模型（EnhancedRepresentationthroughkNowledgeIntegration）是一个基于Transformer架构的预训练语言模型。它由百度研发，旨在通过整合大规模语料和知识图谱来增强模型的语言理解和生成能力。它通过整合大规模语料和知识图谱，采用多任务学习和分层预训练策略，在多个自然语言处理任务上取得了显著的性能提升。Ernie模型的不断发展和优化，使其
  • 3.Python数据分析—数据分析入门知识图谱&索引(知识体系中篇) 以山河作礼。 Python数据分析项目数据分析知识图谱数据挖掘python开发语言
    3.Python数据分析—数据分析入门知识图谱&索引-知识体系中篇一·个人简介二·数据获取和处理2.1数据来源：2.2数据清洗：2.2.1缺失值处理：2.2.2异常值处理：2.3数据转换：2.3.1数据类型转换：2.3.2数据编码：2.4数据合并与重塑：2.4.1数据合并：2.4.2数据拼接：2.4.3数据重塑：三·数据探索与分析3.1描述性统计分析3.2数据可视化原则和技巧3.3探索性数据分析（
  • 智合同如何助力建筑行业合同智能化管理 智合同（小智） 合同智能应用AI技术降本增效提质人工智能自然语言处理知识图谱深度学习大数据
    #建筑行业#人工智能#AI#合同智能应用#深度学习#自然语言处理技术#知识图谱智合同-采用深度学习、自然语言处理技术、知识图谱等人工智能技术，为企业提供专业的合同相关的智能服务。其主要服务包含：合同智能审查、合同要素智能提取、合同版本对比、合同智能起草、ICR智能识别、合同履约追踪、文本一致性对比、广告审查、合同范本库等服务。智合同在助力建筑行业合同智能化管理方面具有显著的优势。首先，智合同利用A
  • 【大咖力荐 新手必备】软件开发入门，这300篇文章就够了！ 高校俱乐部 软件开发新手必备数据编码IP
    小编在这里根据知识图谱整理了CSDN站内的优质文章300篇，帮助见习工程提升技术能力、实现系统化学习！基础IT技术文章300篇大合集包含：【信息/编码】进制转换25篇、数据编码25篇；【IP/组网】网关与网段25篇、IP协议26篇、主机与DNS23篇、访问控制37篇；【程序逻辑】JavaScript29篇、常用算法37篇；【Web基础】HTML31篇、CSS32篇、DOM与BOM23篇扫码添加小助
  • 知识图谱最新权威综述论文解读：实体发现 ngl567
    上期我们介绍了2020年知识图谱最新权威综述论文《ASurveyonKnowledgeGraphs:Representation,AcquisitionandApplications》的知识图谱补全部分，本期我们将一起学习这篇论文的实体发现部分。论文地址：https://arxiv.org/pdf/2002.00388.pdfarxiv.org1实体发现本节将基于实体的知识获取区分为若干细分任务，
  • 视频回放- Neo4j “图,无处不在 ”关联系列线上研讨会 : 知识图谱助力企业提升数据应用价值 Jennifer726 音视频知识图谱bigdata数据库开发数据仓库
    感谢您注册参加1月12日Neo4j“图,无处不在”关联系列线上研讨会-知识图谱助力企业提升数据应用价值。以下是相关内容视频回放。欢迎推荐给更多的同事和朋友观看。图的影响力-回顾2021，展望2022(Dr.JimWebber,Neo4j首席科学家）https://www.bilibili.com/video/BV1V44y1L7kX/从数据分析到数据智能-Neo4j知识图谱介绍(金昕，Neo4j高
  • 构建生物医学知识图谱from zero to hero （4）：通过Neo4j构建知识图谱 ASKCOS AIDDCADD化学生物知识图谱neo4j人工智能
    图数据库是一种专门用于存储图形数据的NoSQL数据库。与传统的关系型数据库和其他NoSQL数据库不同，图数据库利用图形数据模型来存储和管理数据。图形数据模型由节点和边组成，节点代表实体，边代表实体之间的关系。例如，在社交网络中，用户可以表示为节点，朋友关系可以表示为边。图数据库具有以下特点：灵活的数据模型：图数据库采用图形数据模型，可以灵活地存储和表示各种类型的数据，例如社交网络、地图、知识图谱等
  • 【了解机器学习的定义与发展历程】 AK@ 人工智能人工智能机器学习
    曾梦想执剑走天涯，我是程序猿【AK】目录简述概要知识图谱简述概要了解机器学习的定义与发展历程知识图谱机器学习（MachineLearning，ML）是一门跨学科的学科，它使用计算机模拟或实现人类学习行为，通过不断地获取新的知识和技能，重新组织已有的知识结构，从而提高自身的性能。简单来说，机器学习就是让计算机从数据中学习规律，并根据这些规律对未来数据进行预测。机器学习的发展历程可以追溯到上世纪50年
  • 【人工智能学习思维脉络导图】 AK@ 人工智能人工智能学习
    曾梦想执剑走天涯，我是程序猿【AK】目录知识图谱1.基础知识2.人工智能核心概念3.实践与应用4.持续学习与进展5.挑战与自我提升6.人脉网络知识图谱人工智能学习思维脉络导图1.基础知识计算机科学基础数学基础（线性代数、微积分、概率论和统计学）编程语言（Python、R等）2.人工智能核心概念机器学习监督学习无监督学习强化学习深度学习神经网络卷积神经网络（CNN）循环神经网络（RNN）自然语言处理
  • Dom 周华华 JavaScripthtml
    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
  • 【Spark九十六】RDD API之combineByKey bit1129 spark
    1. combineByKey函数的运行机制   RDD提供了很多针对元素类型为(K,V)的API，这些API封装在PairRDDFunctions类中，通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一   首先看一下combineByKey的方法说明：
  • msyql设置密码报错：ERROR 1372 (HY000): 解决方法详解 daizj mysql设置密码
    MySql给用户设置权限同时指定访问密码时，会提示如下错误： ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number；   问题原因：你输入的密码是明文。不允许这么输入。   解决办法：用select password('你想输入的密码');查询出你的密码对应的字符串， 然后
  • 路漫漫其修远兮 吾将上下而求索 周凡杨 学习 思索
    王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者，罔不经过三种之境界。“昨夜西风凋碧树。独上高楼，望尽天涯路。”此第一境界也。“衣带渐宽终不悔，为伊消得人憔悴。”此第二境界也。“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”此第三境界也。学习技术，这也是你必须经历的三种境界。第一层境界是说，学习的路是漫漫的，你必须做好充分的思想准备，如果半途而废还不如不要开始。这里，注
  • Hadoop(二)对话单的操作 朱辉辉33 hadoop
    Debug： 1、 A = LOAD '/user/hue/task.txt' USING PigStorage(' ') AS (col1,col2,col3); DUMP A; //输出结果前几行示例： (>ggsnPDPRecord(21),,) (-->recordType(0),,) (-->networkInitiation(1),,)
  • web报表工具FineReport常用函数的用法总结（日期和时间函数） 老A不折腾 finereport报表工具web开发
    web报表工具FineReport常用函数的用法总结（日期和时间函数）   说明：凡函数中以日期作为参数因子的，其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。   DATE DATE(year,month,day):返回一个表示某一特定日期的系列数。 Year:代表年，可为一到四位数。 Month:代表月份。
  • c++ 宏定义中的##操作符 墙头上一根草 C++
    #与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a)   #a #define h(a) g(a) int main() {       &nbs
  • 分析Spring源代码之，DI的实现 aijuans springDI现源代码
    (转) 分析Spring源代码之，DI的实现 2012/1/3 by tony                 接着上次的讲，以下这个sample [java]  view plain copy print
  • for循环的进化 alxw4616 JavaScript
    // for循环的进化 // 菜鸟 for (var i = 0; i < Things.length ; i++) { // Things[i] } // 老鸟 for (var i = 0, len = Things.length; i < len; i++) { // Things[i] } // 大师 for (var i = Things.le
  • 网络编程Socket和ServerSocket简单的使用 百合不是茶 网络编程基础IP地址端口
      网络编程;TCP/IP协议   网络:实现计算机之间的信息共享,数据资源的交换   协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去   端口:用于计算机之间的通信      每运行一个程序，系统会分配一个编号给该程序，作为和外界交换数据的唯一标识 0~65535   查看被使用的
  • JDK1.5 生产消费者 bijian1013 javathread生产消费者java多线程
    ArrayBlockingQueue：        一个由数组支持的有界阻塞队列。此队列按 FIFO（先进先出）原则对元素进行排序。队列的头部 是在队列中存在时间最长的元素。队列的尾部 是在队列中存在时间最短的元素。新元素插入到队列的尾部，队列检索操作则是从队列头部开始获得元素。 ArrayBlockingQueue的常用方法：
  • JAVA版身份证获取性别、出生日期及年龄 bijian1013 java性别出生日期年龄
            工作中需要根据身份证获取性别、出生日期及年龄，且要还要支持15位长度的身份证号码，网上搜索了一下，经过测试好像多少存在点问题，干脆自已写一个。 CertificateNo.java package com.bijian.study; import java.util.Calendar; import
  • 【Java范型六】范型与枚举 bit1129 java
    首先，枚举类型的定义不能带有类型参数，所以，不能把枚举类型定义为范型枚举类，例如下面的枚举类定义是有编译错的   public enum EnumGenerics<T> { //编译错，提示枚举不能带有范型参数 OK, ERROR; public <T> T get(T type) { return null;
  • 【Nginx五】Nginx常用日志格式含义 bit1129 nginx
    1. log_format 1.1 log_format指令用于指定日志的格式，格式：   log_format name(格式名称) type(格式样式)   1.2 如下是一个常用的Nginx日志格式：   log_format main '[$time_local]|$request_time|$status|$body_bytes
  • Lua 语言 15 分钟快速入门 ronin47 lua 基础
    - - 单行注释 - - [[      [多行注释] - - ]]   - - - - - - - - - - - 1. 变量 & 控制流 - - - - - - - - - - num = 23 - - 数字都是双精度 str = 'aspythonstring'
  • java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 ) bylijinnan java
    the idea is from: http://blog.csdn.net/zhanxinhang/article/details/6731134 public class MaxSubMatrix { /**see http://blog.csdn.net/zhanxinhang/article/details/6731134 * Q35 求一个矩阵中最大的二维
  • mongoDB文档型数据库特点 开窍的石头 mongoDB文档型数据库特点
    MongoDD: 文档型数据库存储的是Bson文档-->json的二进制 特点：内部是执行引擎是js解释器，把文档转成Bson结构，在查询时转换成js对象。 mongoDB传统型数据库对比    传统类型数据库：结构化数据，定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的    文档型数据库：不用定好数据结构，
  • [毕业季节]欢迎广大毕业生加入JAVA程序员的行列 comsci java
        一年一度的毕业季来临了。。。。。。。。      正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业，可以考虑来我们软件行业，做一名职业程序员。。。      软件行业的开发工具中，对初学者最友好的就是JAVA语言了，网络上不仅仅有大量的
  • PHP操作Excel – PHPExcel 基本用法详解 cuiyadll PHPExcel
    导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
  • IBM Webshpere MQ Client User Issue (MCAUSER) darrenzhu IBMjmsuserMQMCAUSER
    IBM MQ JMS Client去连接远端MQ Server的时候，需要提供User和Password吗？ 答案是根据情况而定，取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。 http://stackoverflow.com/questions/20209429/how-mca-user-i
  • 网线的接法 dcj3sjt126com
    一、PC连HUB (直连线)A端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 二、PC连PC （交叉线）A端：(568A)： 白绿，绿，白橙，蓝，白蓝，橙，白棕，棕； B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 三、HUB连HUB&nb
  • Vimium插件让键盘党像操作Vim一样操作Chrome dcj3sjt126com chromevim
    什么是键盘党？ 键盘党是指尽可能将所有电脑操作用键盘来完成，而不去动鼠标的人。鼠标应该说是新手们的最爱，很直观，指哪点哪，很听话！不过常常使用电脑的人，如果一直使用鼠标的话，手会发酸，因为操作鼠标的时候，手臂不是在一个自然的状态，臂肌会处于绷紧状态。而使用键盘则双手是放松状态，只有手指在动。而且尽量少的从鼠标移动到键盘来回操作，也省不少事。 在chrome里安装 vimium 插件
  • MongoDB查询（2）——数组查询[六] eksliang mongodbMongoDB查询数组
    MongoDB查询数组 转载请出自出处：http://eksliang.iteye.com/blog/2177292 一、概述  MongoDB查询数组与查询标量值是一样的，例如，有一个水果列表，如下所示： > db.food.find() { "_id" : "001", "fruits" : [ "苹
  • cordova读写文件（1） gundumw100 JavaScriptCordova
    使用cordova可以很方便的在手机sdcard中读写文件。 首先需要安装cordova插件：file 命令为： cordova plugin add org.apache.cordova.file 然后就可以读写文件了，这里我先是写入一个文件，具体的JS代码为： var datas=null;//datas need write var directory=&
  • HTML5 FormData 进行文件jquery ajax 上传 到又拍云 ileson jqueryAjaxhtml5FormData
    html5 新东西：FormData  可以提交二进制数据。 页面test.html <!DOCTYPE> <html> <head> <title> formdata file jquery ajax upload</title> </head> <body> <
  • swift appearanceWhenContainedIn:(version1.2 xcode6.4) 啸笑天 version
      swift1.2中没有oc中对应的方法： + (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION;  解决方法： 在swift项目中新建oc类如下： #import &
  • java实现SMTP邮件服务器 macroli java编程
    电子邮件传递可以由多种协议来实现。目前，在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP，下面分别简单介绍。 　　◆ SMTP 协议 　　简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议，用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
  • mongodb group by having where 查询sql qiaolevip 每天进步一点点学习永无止境mongo纵观千象
    SELECT cust_id, SUM(price) as total FROM orders WHERE status = 'A' GROUP BY cust_id HAVING total > 250 db.orders.aggregate( [ { $match: { status: 'A' } }, { $group: {
  • Struts2 Pojo（六） Luob. POJOstrust2
    注意：附件中有完整案例 1.采用POJO对象的方法进行赋值和传值 2.web配置 <?xml version="1.0" encoding="UTF-8"?> <web-app version="2.5" xmlns="http://java.sun.com/xml/ns/javaee&q
  • struts2步骤 wuai struts
    1、添加jar包 2、在web.xml中配置过滤器 <filter>        <filter-name>struts2</filter-name>        <filter-class>org.apache.st
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他