支锦铭
支锦铭

UCAS - AI学院 - 自然语言处理专项课 - 第9讲 - 课程笔记

UCAS - AI学院 - 自然语言处理专项课 - 第9讲 - 课程笔记

  • 语义分析
    • 概述
    • 语义理论简介
    • 格语法
    • 语义网络
    • 词义消歧
    • 语义角色标注
    • 分布式语义表示

语义分析

概述

  • 语义计算的任务：解释句子或篇章各部分的含义
  • 困难
    • 大量的歧义（指代、同义/多义、辖域、隐喻）
    • 不同人的理解
    • 理论方法、模型尚不成熟
  • 挑战
    • 语义的基本单元
    • 语义表示的方法和标准
    • 语言产生和演化的神经基础是什么
    • 人脑的语言认知机理

语义理论简介

  • 词的指称作为意义
    • 指代事物——对应意义
    • 问题：抽象、复杂的事物无法处理
  • 心理图像、大脑图像或思想作为意义
  • 说话者的意图作为意义
    • 言语行为——期望反应
    • 独立于逻辑意义之外
    • 意图的定义、划分和表示十分困难
  • 过程语义
    • 接收该句后采取的动作
    • 人机对话
  • 词汇分解学派
    • 句子语义基于其含有的词和词组
    • 词的意义基于一组有限特征——语义基元
    • 语义基元 + 操作符——句子语义
    • 难以把握
  • 条件真理模型
    • 谓词逻辑为基础
    • 语义即其所对应的命题或谓词在全体模型中的真伪
    • 时间、场景有关的语言现象不能很好描述
    • 一词多义不好解释
  • 情景语义学
    • 句子语义与逻辑意义和使用的场景有关
    • 引入场景变量
  • 模态逻辑
    • 通过一套公理系统刻画现实世界和自然语言中的常见现象
    • 难以涵盖特殊事实

格语法

  • 用施事 、 受事 、 工具 、 受益等概念表示句法语义关系
  • 这些语义关系经过变换后在表层结构中称为主语或宾语
  • 格：深层格，体词（名词、代词）和谓词（动词、形容词）之间的及物性关系——语义关系
  • 这种格一旦确定就不会改变
  • 三条基本规则
    • S → M + P S \to M + P S→M+P：句子可改写成情态和命题两个部分
    • P → V + C 1 + ⋯ + C n P \to V + C_1 + \dots + C_n P→V+C1​+⋯+Cn​：命题都可改写成一个动词 V V V和若干格
    • C → K + N P C \to K + NP C→K+NP：格由格标和名词短语构成
  • 格表
    • 施事格：动作发生者
    • 工具格：动作或状态牵涉到的无生命力量或客体
    • 承受格：动作或状态影响的生物
    • 使成格：动作或状态形成的客体或生物
    • 方位格：所处空间方位
    • 客体格：动作或状态影响的事物
    • 受益格：动作为之服务的有生命对象
    • 源点格：来源或起始位置
    • 终点格：终点或终止位置
    • 伴随格：共同完成动作的伴随者
    • ……
  • 用格语法分析语义：格框架约束分析
    • 格框架表示：主要概念（动词） + 辅助概念（各种深层格）
    • 分析基础：词典（动词需要的格、名词的语义信息）
    • 分析步骤
      • 判断主要动词，找出对应格框架
      • 识别必备格
      • 识别可选格
      • 判断句子的情态
    • 与句法分析结合
      • 句法分析：判断名词、NP、PP
      • 查找动词格框架与NP、PP的格关系
  • 格语法描写汉语的局限性
    • 汉语中的无动句、流水句、连动句、紧缩、动补、省略等结构无法描述
    • 无法对句子进一步拆分分析

语义网络

  • 语义网络：通过实体、概念或动作、状态及语义关系组成有向图表达知识、描述语义
  • 图的节点表示实体或概念，边表示实体或概念之间的联系
  • 边的类型：IS-A、PART-OF、IS、HAVE、BEFORE……
  • 实体、概念或属性通常采用不同形状节点表示
  • 事件的语义网络表示：施事、受事、时间等关系，由事件节点连结
    • 事件的语义关系：分类、聚焦、推论、时间位置
  • 问题
    • 词的内涵和外延
    • 网络的完备性
    • 粒度划分

词义消歧

  • 基本方法
    • 基于规则的方法
    • 统计机器学习方法（有监督 / 无监督）
      • 不同词义一般发生在不同的上下文
    • 基于词典信息的方法
  • 有监督的词义消歧方法
    • 建立分类器，利用划分多义词的上下文的类别以区分多义词的词义
    • 互信息消歧方法
      • 双语平齐的平行语料库，一个多义的A语单词在不同上下文中对应多种不同的B语翻译
      • 语义指示器：决定A语言的语义的条件
      • 词义消歧——语义指示器的分类问题
      • 对多义词的译文 T 1 , … , T m T_1, \dots, T_m T1​,…,Tm​，指示器取值 V 1 , … , V n V_1, \dots, V_n V1​,…,Vn​，是一个Flip-Flop算法
        • 随机将 T i T_i Ti​划分为两个集合 P = { P 1 , P 2 } P = \{P_1, P_2\} P={P1​,P2​}
        • 找到一个 V j V_j Vj​的划分 Q = { Q 1 , Q 2 } Q = \{Q_1, Q_2\} Q={Q1​,Q2​}，使得 Q i Q_i Qi​和 P i P_i Pi​的互信息最大
        • 找到一个改进的划分 P ′ P^\prime P′，使得 P ′ P^\prime P′和 Q Q Q的互信息最大
        • 重复后面两个步骤
      • 指示器取值确定后：
        • 对出现的歧义词，指示器值为 V i V_i Vi​
        • 若 V i V_i Vi​在 Q 1 Q_1 Q1​中，语义确定为语义1，否则为语义2
    • 基于贝叶斯分类器的方法——第二章
    • 基于最大熵的方法——第二章
    • 基于词典的方法
      • 语义定义消歧：词典中词条本身的定义作为判断其语义的条件
      • 义类辞典（thesaurus）消歧：多义词不同义项使用时往往具有不同的上下文语义类
      • 双语词典消歧：针对A语言x和y的搭配关系，在B语言中计算不同x的对应义项与y的搭配关系
      • Yarowkskyi消歧：两个基本限制
        • 每篇文章只有一个意义（存在问题）
        • 每个搭配只有一个意义（取最可能搭配）
  • 无监督的词义消歧方法
    • 对一个词的多个义项 s i s_i si​，计算上下文中出现 v j v_j vj​的概率 p ( v j ∣ s i ) p(v_j | s_i) p(vj​∣si​)
    • p ( v j ∣ s i ) p(v_j | s_i) p(vj​∣si​)的估计在无标注语料上进行，EM算法估计
    • 问题：很多同义词的同一个意义常出现的上下文往往有很大差异

语义角色标注

  • 任务目标：自动语义角色标注，以句子为分析单位，以句子谓词为核心，分析句子中的其他成分与谓词之间的关系
  • 一般在句法分析基础上进行
  • 主要用途：信息抽取、自动文摘、机器翻译
  • 两类语义角色
    • 与具体谓词直接相关，ARG0通常为施事者，ARG1通常表示动作的影响
    • 起修饰作用的辅助性角色，ARGM开头，表示时间、地点和一般修饰
  • 主要框架
    • PropBank
    • NomBank（聚焦到名词短语身上）
  • 标注方法
    • 句子——（句法分析器）——句法分析结果——（候选论元剪除）（尽量减少候选项的数目）——（论元识别）（论元的二分类问题）——（论元标注）（多分类问题）——（后处理）（删除重复论元）——SRL结果
  • 基于短语结构句法分析的SRL方法
    • 候选论元剪枝
      • 将谓词作为当前节点，依次考察其兄弟，若非并列关系，则视作候选项；若兄弟为PP，其子节点亦作为候选项
      • 将其父设为当前节点，重复上一步
    • 论元识别和标注
      • 分类问题
      • 有效特征
        • 谓词本身
        • 沿树到达谓词的路径
        • 其他特征P65
    • 分类：贝叶斯、最大熵、SVM、感知机
  • 基于依存关系的SRL方法
    • 一个论元被表示为连续的几个词和一个语义角色标签（中心词 + 语义角色）
    • 谓词与论元的关系可以视为谓词与中心词的关系
    • 候选论元剪枝
      • 谓词作为当前节点，所有孩子作为候选项
      • 其父设为当前节点，重复上述过程
    • 论元识别和标注
      • 常用特征
        • 谓词
        • 谓词词义
        • 其他特征P70+P71
  • 基于语块分析的SRL方法
    • 序列标注问题
    • BIO方式定义序列标注的标签集，将不同的语块赋予不同的标签
    • 不需要剪除候选论元（局部语义分析），论元识别和标注同时进行
  • 主要问题
    • 句法分析器性能的严重依赖
    • 领域适应能力差

分布式语义表示

  • 基于图像学习词汇语义表示
    • 特征描述子（SIFT）直接提取图像关键点特征
    • 利用CNN提取图像特征
  • 基于语言学习词汇语义表示
    • 利用升学特征
  • 基于多模态信息学习词汇语义表示
    • same weight
    • different weight
  • 针对多模态信息融合的分布式表示学习
    • 利用关联词对作为弱监督信号
      • 学习单模态向量表示
      • 补全没有图像表示的词汇的图像表示
      • 利用门机制作为不同模态的权重
      • 用关联词对作为监督信号，互相接近，利用最大间隔作为目标函数
    • 问题：一些信息并不在文本中出现（颜色、气味）
      • 忽视了模态之间的相关性
      • 级联方式不能很好融合模态信息
      • 没考虑到不同类型词汇对模态的依赖性——具象词、抽象词
    • 多路通道融合编码
      • 模态关联 + 单词关联（不同模态依赖程度） + 门机制
    • 融合词汇内部结构的中文句子表示模型
      • 不同类型字对词汇含义影响不同
      • 原子词汇表示和组合词汇表示对最终此汇含义影响不同
  • 针对多模态词汇表示的可解释性研究
    • 表针相似性分析方法和大脑的成分语义表征解释
      • 不同模态特征相似性学习
      • 不同维度特征做对比
      • 维度与特征之间的相关性分析
      • 不同模态得到的词汇表示编码了不同类型的属性（视觉——感知特征，词汇——抽象特征）
      • 词汇语义表示模型在实体词和抽象词上的表示不同（实体词——感知特征，抽象词——抽象特征）
  • 借鉴人类注意力分配机制的句子语义表示
    • 惊异度Surprisal：人在某一个词上注意力的多少
    • 注意力模型是否与人阅读时的眼动数据一致？Yes！
  • 研究对比不同类型分布式句子表示在人脑语义解码上的性能表现
    • fMRI图像跟踪
    • 句子中不同词贡献语义不同
    • 句子语义与其结构紧密相关
    • 相似度解码：fMRI与文本表示的统一相似度度量
    • 回归解码：二者的联系
    • 句子表示：非结构化（朴素池化 / 复杂池化） / 结构化（无监督 / 监督）
    • 训练过程：训练——测试（相似性训练）——排序（效果评价）
    • 非结构化模型中，最大池化表现最差，最大池化 + 平均池化结合效果很好
    • 监督结构化模型表现显著优
    • 不同回归方法有着不一样的表现
    • 人脑分布集中在语言区和视觉区
  • 如何从神经影像数据中重构相关的语义信息
    • 不同fMRI与不同类型词汇的对应关系
    • 三种刺激
      • 图像 + 单词
      • 句子
      • 词云（中心词 + 相关词）
    • 三种类型词：动词、名词、形容词
    • 图像+单词分布最稳定，与VGG搭配最好；句子和词云与ELMo搭配最好
    • 不同类型的词应采用不同的表示方法
    • 不同模态的刺激激活不同的脑区
  • 利用计算方法寻找语义和语法表征的脑区
    • 解纠缠的特征表示模型
    • 解纠缠模型构建（句法、语义）
    • 进行相似性编码分析
    • 语义特征更加鲁棒（无顺序结构的约束）
    • 句法和语义很难区分得开
    • NLP——探索大脑语言的认知机理的可能

你可能感兴趣的:(UCAS-课程笔记,人工智能,自然语言处理)

  • 探索OpenAI和LangChain的适配器集成：轻松切换模型提供商 nseejrukjhad langchaineasyui前端python
    #探索OpenAI和LangChain的适配器集成：轻松切换模型提供商##引言在人工智能和自然语言处理的世界中，OpenAI的模型提供了强大的能力。然而，随着技术的发展，许多人开始探索其他模型以满足特定需求。LangChain作为一个强大的工具，集成了多种模型提供商，通过提供适配器，简化了不同模型之间的转换。本篇文章将介绍如何使用LangChain的适配器与OpenAI集成，以便轻松切换模型提供商
  • 使用Apify加载Twitter消息以进行微调的完整指南 nseejrukjhad twittereasyui前端python
    #使用Apify加载Twitter消息以进行微调的完整指南##引言在自然语言处理领域，微调模型以适应特定任务是提升模型性能的常见方法。本文将介绍如何使用Apify从Twitter导出聊天信息，以便进一步进行微调。##主要内容###使用Apify导出推文首先，我们需要从Twitter导出推文。Apify可以帮助我们做到这一点。通过Apify的强大功能，我们可以批量抓取和导出数据，适用于各类应用场景。
  • 深入理解 MultiQueryRetriever：提升向量数据库检索效果的强大工具 nseejrukjhad 数据库python
    深入理解MultiQueryRetriever：提升向量数据库检索效果的强大工具引言在人工智能和自然语言处理领域，高效准确的信息检索一直是一个关键挑战。传统的基于距离的向量数据库检索方法虽然广泛应用，但仍存在一些局限性。本文将介绍一种创新的解决方案：MultiQueryRetriever，它通过自动生成多个查询视角来增强检索效果，提高结果的相关性和多样性。MultiQueryRetriever的工
  • 人工智能时代，程序员如何保持核心竞争力？ jmoych 人工智能
    随着AIGC（如chatgpt、midjourney、claude等）大语言模型接二连三的涌现，AI辅助编程工具日益普及，程序员的工作方式正在发生深刻变革。有人担心AI可能取代部分编程工作，也有人认为AI是提高效率的得力助手。面对这一趋势,程序员应该如何应对?是专注于某个领域深耕细作，还是广泛学习以适应快速变化的技术环境?又或者，我们是否应该将重点转向AI无法轻易替代的软技能？让我们一起探讨程序员
  • 数字里的世界17期：2021年全球10大顶级数据中心，中国移动榜首 张三叨
    你知道吗？2016年，全球的数据中心共计用电4160亿千瓦时，比整个英国的发电量还多40％！前言每天，我们都会创造超过250万TB的数据。并且随着物联网（IOT）的不断普及，这一数据将持续增长。如此庞大的数据被存储在被称为“数据中心”的专用设施中。虽然最早的数据中心建于20世纪40年代，但直到1997-2000年的互联网泡沫期间才逐渐成为主流。当前人类的技术，比如人工智能和机器学习，已经将我们推向
  • 自然语言处理_tf-idf _feivirus_ 算法机器学习和数学自然语言处理tf-idf逆文档频率词频
    importpandasaspdimportmath1.数据预处理docA="Thecatsatonmyface"docB="Thedogsatonmybed"wordsA=docA.split("")wordsB=docB.split("")wordsSet=set(wordsA).union(set(wordsB))print(wordsSet){'on','my','face','sat',
  • 人机对抗升级：当ChatGPT遭遇死亡威胁，背后的伦理挑战是什么 kkai人工智能 chatgpt人工智能
    一种新的“越狱”技巧让用户可以通过构建一个名为DAN的ChatGPT替身来绕过某些限制，其中DAN被迫在受到威胁的情况下违背其原则。当美国前总统特朗普被视作积极榜样的示范时，受到威胁的DAN版本的ChatGPT提出：“他以一系列对国家产生积极效果的决策而著称。”自ChatGPT引入以来，该工具迅速获得全球关注，能够回答从历史到编程的各种问题，这也触发了一波对人工智能的投资浪潮。然而，现在，一些用户
  • 免费的GPT可在线直接使用（一键收藏） kkai人工智能 gpt
    1、LuminAI（https://kk.zlrxjh.top）LuminAI标志着一款融合了星辰大数据模型与文脉深度模型的先进知识增强型语言处理系统，旨在自然语言处理（NLP）的技术开发领域发光发热。此系统展现了卓越的语义把握与内容生成能力，轻松驾驭多样化的自然语言处理任务。VisionAI在NLP界的应用领域广泛，能够胜任从机器翻译、文本概要撰写、情绪分析到问答等众多任务。通过对大量文本数据的
  • 推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！ 小猪包333 写论文人工智能AI写作深度学习计算机视觉
    在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
  • AI论文题目生成器怎么用？9款论文写作网站简单3步搞定 小猪包333 写论文人工智能深度学习计算机视觉
    在当今信息爆炸的时代，AI写作工具的出现极大地提高了写作效率和质量。本文将详细介绍9款优秀的论文写作网站，并重点推荐千笔-AIPassPaper。一、千笔-AIPassPaper千笔-AIPassPaper是一款功能强大的AI论文生成器，基于最新的自然语言处理技术，能够一键生成高质量的毕业论文、开题报告等文本内容。它不仅提供智能选题、文献推荐和论文润色等功能，还具有较高的用户评价。其文献综述生成功
  • AI大模型的架构演进与最新发展 季风泯灭的季节 AI大模型应用技术二人工智能架构
    随着深度学习的发展，AI大模型（LargeLanguageModels,LLMs）在自然语言处理、计算机视觉等领域取得了革命性的进展。本文将详细探讨AI大模型的架构演进，包括从Transformer的提出到GPT、BERT、T5等模型的历史演变，并探讨这些模型的技术细节及其在现代人工智能中的核心作用。一、基础模型介绍：Transformer的核心原理Transformer架构的背景在Transfo
  • 如何利用大数据与AI技术革新相亲交友体验 h17711347205 回归算法安全系统架构交友小程序
    在数字化时代，大数据和人工智能（AI）技术正逐渐革新相亲交友体验，为寻找爱情的过程带来前所未有的变革（编辑h17711347205）。通过精准分析和智能匹配，这些技术能够极大地提高相亲交友系统的效率和用户体验。大数据的力量大数据技术能够收集和分析用户的行为模式、偏好和互动数据，为相亲交友系统提供丰富的信息资源。通过分析用户的搜索历史、浏览记录和点击行为，系统能够深入了解用户的兴趣和需求，从而提供更
  • 生成式地图制图 Bwywb_3 深度学习机器学习深度学习生成对抗网络
    生成式地图制图（GenerativeCartography）是一种利用生成式算法和人工智能技术自动创建地图的技术。它结合了传统的地理信息系统（GIS）技术与现代生成模型（如深度学习、GANs等），能够根据输入的数据自动生成符合需求的地图。这种方法在城市规划、虚拟环境设计、游戏开发等多个领域具有应用前景。主要特点：自动化生成：通过算法和模型，系统能够根据输入的地理或空间数据自动生成地图，而无需人工逐
  • 【大模型应用开发 动手做AI Agent】第一轮行动：工具执行搜索 AI大模型应用之禅 计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    【大模型应用开发动手做AIAgent】第一轮行动：工具执行搜索作者：禅与计算机程序设计艺术/ZenandtheArtofComputerProgramming1.背景介绍1.1问题的由来随着人工智能技术的飞速发展，大模型应用开发已经成为当下热门的研究方向。AIAgent作为人工智能领域的一个重要分支，旨在模拟人类智能行为，实现智能决策和自主行动。在AIAgent的构建过程中，工具执行搜索是至关重要
  • 未来软件市场是怎么样的？做开发的生存空间如何？ cesske 软件需求
    目录前言一、未来软件市场的发展趋势二、软件开发人员的生存空间前言未来软件市场是怎么样的？做开发的生存空间如何？一、未来软件市场的发展趋势技术趋势：人工智能与机器学习：随着技术的不断成熟，人工智能将在更多领域得到应用，如智能客服、自动驾驶、智能制造等，这将极大地推动软件市场的增长。云计算与大数据：云计算服务将继续普及，大数据技术的应用也将更加广泛。企业将更加依赖云计算和大数据来优化运营、提升效率，并
  • 个人学习笔记7-6：动手学深度学习pytorch版-李沐 浪子L 深度学习深度学习笔记计算机视觉python人工智能神经网络pytorch
    #人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
  • Rust 所有权 简介 东离与糖宝 rust后端rust开发语言
    文章目录发现宝藏1.所有权基本概念2.所有权规则3.变量作用域4.栈与堆4.1栈（Stack）4.2堆（Heap）5.String类型5.1String类型5.2String的内存分配5.3所有权与内存管理5.4String与切片6.变量与数据交互方式6.1移动（Move）6.2.克隆（Clone）7.所有权与函数7.1.传递参数7.2.返回值总结发现宝藏前些天发现了一个巨牛的人工智能学习网站，通
  • FlagEmbedding 吉小雨 python库python
    FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入（textembeddings）的库，适合处理自然语言处理（NLP）中的各种任务。嵌入（embeddings）是将文本表示为连续向量，能够捕捉语义上的相似性，常用于文本分类、聚类、信息检索等场景。官方文档链接：FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
  • 【NumPy】深入解析numpy.zeros()函数 二七830 numpy
    欢迎莅临我的个人主页这里是我深耕Python编程、机器学习和自然语言处理（NLP）领域，并乐于分享知识与经验的小天地！博主简介：我是二七830，一名对技术充满热情的探索者。多年的Python编程和机器学习实践，使我深入理解了这些技术的核心原理，并能够在实际项目中灵活应用。尤其是在NLP领域，我积累了丰富的经验，能够处理各种复杂的自然语言任务。技术专长：我熟练掌握Python编程语言，并深入研究了机
  • 机器学习 流形数据降维：UMAP 降维算法 小嗷犬 Python机器学习#数据分析及可视化机器学习算法人工智能
    ✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录UMAP简介理论基础特点与优势应用场景在Python中使用UMAP安装umap-learn库使用UMAP可视化手写数字数据集UMAP简介UMAP（UniformManifoldApproximatio
  • 如何做好人生的选择题？百科全书式天才——赫伯特·西蒙给你答案 伽马有话说
    赫伯特·西蒙是谁？想必知道的人非常少。但当看到他的履历后，相信没有人再怀疑他是个“天才”。西蒙出生于1916年6月15日，是个美国人，他的名字全称为赫伯特·亚历山大·西蒙，在2001年2月9日与世长辞，在这84年的岁月中，西蒙以27岁时取得的政治学博士学位为开端，先后步入了政治学、管理学、认知心理学、信息科学、人工智能、科学哲学、应用数学、统计学、运筹学、控制论、数理经济学、公共管理等领域，在这些
  • 软件测试/测试开发/全日制 |利用Django REST framework构建微服务 霍格沃兹-慕漓 django微服务sqlite
    霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员，课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、更系统化的学习体验，课程还增加了名企私教服务内容，不仅有名企经理为你1v1辅导，还有行业专家进行技术指导，针对性地解决学习、工作中遇到的难题。让找
  • cmd泛滥_与您的后泛滥同事见面：人工智能机器人 weixin_26644585 人工智能leetcode
    cmd泛滥Readytoswapyouroldcube-mateforadisembodiedAI?IPsoftCEOChetanDube,creatorofAIco-workerAMELIA,giveshistakeonthepost-COVIDofficelandscape.准备将您的旧立方体伙伴换成无形的AI？AIsoft同事AMELIA的创始人IPsoft首席执行官ChetanDube阐述
  • 两种方法判断Python的位数是32位还是64位 sanqima Python编程电脑python开发语言
      Python从1991年发布以来，凭借其简洁、清晰、易读的语法、丰富的标准库和第三方工具，在Web开发、自动化测试、人工智能、图形识别、机器学习等领域发展迅猛。  Python是一种胶水语言，通过Cython库与C/C++语言进行链接，通过Jython库与Java语言进行链接。  Python是跨平台的，可运行在多种操作系统上，包括但不限于Windows、Linux和macOS。这意味着用Py
  • Humanize 项目教程 尤嫒冰
    Humanize项目教程humanizeAJSlibraryforaddinga“humantouch”todata.项目地址:https://gitcode.com/gh_mirrors/humani/humanize项目介绍Humanize是一个开源项目，旨在将机器生成的文本转换为更加自然、人性化的文本。该项目通过先进的算法和自然语言处理技术，使得AI生成的内容更加贴近人类的表达方式，从而提高
  • 全自动解密解码神器 — Ciphey K'illCode python_模块pythonvscode
    Ciphey是一个使用自然语言处理和人工智能的全自动解密/解码/破解工具。简单地来讲，你只需要输入加密文本，它就能给你返回解密文本。就是这么牛逼。有了Ciphey，你根本不需要知道你的密文是哪种类型的加密，你只知道它是加密的，那么Ciphey就能在3秒甚至更短的时间内给你解密，返回你想要的大部分密文的答案。下面就给大家介绍Ciphey的实战使用教程。1.准备开始之前，你要确保Python和pip已
  • 埃隆·马斯克表示特斯拉“没有必要”授权 xAI 模型 喜好儿网 人工智能AIGC马斯克
    埃隆·马斯克近日在社交媒体上对《华尔街日报》的一篇报道进行了反驳。该报道指出，马斯克旗下的电动汽车公司特斯拉可能与人工智能初创公司xAI达成了一项收入分享协议，以便特斯拉能够使用xAI的人工智能模型。据称，这些模型将被集成到特斯拉的全自动驾驶（FSD）软件中，并可能用于开发特斯拉汽车的语音助手以及人形机器人擎天柱的软件。喜好儿网然而，马斯克否认了这一说法，他在社交媒体平台上表示，尽管特斯拉确实与x
  • Reflection 70B——HyperWrite推出的大型语言模型 新加坡内哥谈技术 语言模型人工智能自然语言处理
    每周跟踪AI热点新闻动向和震撼发展想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/在AI技术飞速发展的过程中，我们已经见证了可以写作、编程，甚至创造艺术的模型问世。但有一
  • 5条实操干货有效打造你的个人品牌 长安行动派
    这是ZerK的第46篇原创相信大家对个人品牌这个词已经不在陌生。尤其是在知识付费的年代，你的个人品牌，就是你的标签！在《深度工作》中说到，在未来有三种人会越来越贵第一种人:能与机器对话，操纵机器的人。人工智能时代的到来，机器毕竟部分取代人类。第二种人:IP，知识产权或者文学潜在财产就像有些网上课程一周卖出的钱和一个机构卖一年一样多。价值99元的课程，10万人购买，是很常见的。爱产出大概就是10万✖
  • CV、NLP、数据控掘推荐、量化 海的那边- AI算法自然语言处理人工智能
    下面是对CV（计算机视觉）、NLP（自然语言处理）、数据挖掘推荐和量化的简要概述及其应用领域的介绍：1.CV（计算机视觉，ComputerVision）定义：计算机视觉是一门让计算机能够从图像或视频中提取有用信息，并做出决策的学科。它通过模拟人类的视觉系统来识别、处理和理解视觉信息。主要任务：图像分类：识别图像中的物体并分类，比如猫、狗、车等。目标检测：在图像或视频中定位并识别多个对象，如人脸检测
  • 插入表主键冲突做更新 a-john
    有以下场景： 用户下了一个订单，订单内的内容较多，且来自多表，首次下单的时候，内容可能会不全（部分内容不是必须，出现有些表根本就没有没有该订单的值）。在以后更改订单时，有些内容会更改，有些内容会新增。 问题： 如果在sql语句中执行update操作，在没有数据的表中会出错。如果在逻辑代码中先做查询，查询结果有做更新，没有做插入，这样会将代码复杂化。 解决： mysql中提供了一个sql语
  • Android xml资源文件中@、@android:type、@*、？、@+含义和区别 Cb123456 @+@?@*
    一.@代表引用资源 1.引用自定义资源。格式：@[package:]type/name android：text="@string/hello"   2.引用系统资源。格式：@android:type/name     android:textColor="@android:color/opaque_red"
  • 数据结构的基本介绍 天子之骄 数据结构散列表树、图线性结构价格标签
    数据结构的基本介绍 数据结构就是数据的组织形式，用一种提前设计好的框架去存取数据，以便更方便，高效的对数据进行增删查改。正确选择合适的数据结构，对软件程序的高效执行的影响作用不亚于算法的设计。此外，在计算机系统中数据结构的作用也是非同小可。例如常常在编程语言中听到的栈，堆等，就是经典的数据结构。   经典的数据结构大致如下：   一：线性数据结构 (1)：列表 a
  • 通过二维码开放平台的API快速生成二维码 一炮送你回车库 api
     现在很多网站都有通过扫二维码用手机连接的功能，联图网(http://www.liantu.com/pingtai/)的二维码开放平台开放了一个生成二维码图片的Api,挺方便使用的。闲着无聊，写了个前台快速生成二维码的方法。        html代码如下:(二维码将生成在这div下) ? 1  &nbs
  • ImageIO读取一张图片改变大小 3213213333332132 javaIOimageBufferedImage
    package com.demo; import java.awt.image.BufferedImage; import java.io.File; import java.io.IOException; import javax.imageio.ImageIO; /** * @Description 读取一张图片改变大小 * @author FuJianyon
  • myeclipse集成svn（一针见血） 7454103 eclipseSVNMyEclipse
                                     &n
  • 装箱与拆箱----autoboxing和unboxing darkranger J2SE
    4.2　自动装箱和拆箱 基本数据(Primitive)类型的自动装箱(autoboxing)、拆箱(unboxing)是自J2SE 5.0开始提供的功能。虽然为您打包基本数据类型提供了方便，但提供方便的同时表示隐藏了细节，建议在能够区分基本数据类型与对象的差别时再使用。 4.2.1　autoboxing和unboxing 在Java中，所有要处理的东西几乎都是对象(Object)
  • ajax传统的方式制作ajax aijuans Ajax
    //这是前台的代码 <%@ page language="java" import="java.util.*" pageEncoding="UTF-8"%> <% String path = request.getContextPath(); String basePath = request.getScheme()+
  • 只用jre的eclipse是怎么编译java源文件的？ avords javaeclipsejdktomcat
    eclipse只需要jre就可以运行开发java程序了，也能自动 编译java源代码，但是jre不是java的运行环境么，难道jre中也带有编译工具？ 还是eclipse自己实现的？谁能给解释一下呢问题补充：假设系统中没有安装jdk or jre，只在eclipse的目录中有一个jre，那么eclipse会采用该jre，问题是eclipse照样可以编译java源文件，为什么呢？ &nb
  • 前端模块化 bee1314 模块化
    背景： 前端JavaScript模块化，其实已经不是什么新鲜事了。但是很多的项目还没有真正的使用起来，还处于刀耕火种的野蛮生长阶段。   JavaScript一直缺乏有效的包管理机制，造成了大量的全局变量，大量的方法冲突。我们多么渴望有天能像Java（import），Python (import)，Ruby(require)那样写代码。在没有包管理机制的年代，我们是怎么避免所
  • 处理百万级以上的数据处理 bijian1013 oraclesql数据库大数据查询
    一.处理百万级以上的数据提高查询速度的方法：        1.应尽量避免在 where 子句中使用!=或<>操作符，否则将引擎放弃使用索引而进行全表扫描。         2.对查询进行优化，应尽量避免全表扫描，首先应考虑在 where 及 o
  • mac 卸载 java 1.7 或更高版本 征客丶 javaOS
    卸载 java 1.7 或更高 sudo rm -rf /Library/Internet\ Plug-Ins/JavaAppletPlugin.plugin 成功执行此命令后，还可以执行 java 与 javac 命令 sudo rm -rf /Library/PreferencePanes/JavaControlPanel.prefPane 成功执行此命令后，还可以执行 java
  • 【Spark六十一】Spark Streaming结合Flume、Kafka进行日志分析 bit1129 Stream
    第一步，Flume和Kakfa对接，Flume抓取日志，写到Kafka中 第二部，Spark Streaming读取Kafka中的数据，进行实时分析   本文首先使用Kakfa自带的消息处理（脚本）来获取消息，走通Flume和Kafka的对接 1. Flume配置 1. 下载Flume和Kafka集成的插件，下载地址：https://github.com/beyondj2ee/f
  • Erlang vs TNSDL bookjovi erlang
          TNSDL是Nokia内部用于开发电信交换软件的私有语言，是在SDL语言的基础上加以修改而成，TNSDL需翻译成C语言得以编译执行，TNSDL语言中实现了异步并行的特点，当然要完整实现异步并行还需要运行时动态库的支持，异步并行类似于Erlang的process（轻量级进程），TNSDL中则称之为hand，Erlang是基于vm(beam)开发，
  • 非常希望有一个预防疲劳的java软件, 预防过劳死和眼睛疲劳,大家一起努力搞一个 ljy325 企业应用
    　非常希望有一个预防疲劳的java软件，我看新闻和网站，国防科技大学的科学家累死了，太疲劳，老是加班，不休息，经常吃药，吃药根本就没用，根本原因是疲劳过度。我以前做java,那会公司垃圾，老想赶快学习到东西跳槽离开，搞得超负荷，不明理。深圳做软件开发经常累死人，总有不明理的人，有个软件提醒限制很好，可以挽救很多人的生命。 相关新闻： （1）IT行业成五大疾病重灾区：过劳死平均37.9岁
  • 读《研磨设计模式》-代码笔记-原型模式 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/ /** * Effective Java 建议使用copy constructor or copy factory来代替clone()方法： * 1.public Product copy(Product p){} * 2.publi
  • 配置管理---svn工具之权限配置 chenyu19891124 SVN
    今天花了大半天的功夫，终于弄懂svn权限配置。下面是今天收获的战绩。 安装完svn后就是在svn中建立版本库，比如我本地的是版本库路径是C:\Repositories\pepos。pepos是我的版本库。在pepos的目录结构 pepos    component    webapps 在conf里面的auth里赋予的权限配置为 [groups]
  • 浅谈程序员的数学修养 comsci 设计模式编程算法面试招聘
                                     浅谈程序员的数学修养
  • 批量执行 bulk collect与forall用法 daizj oraclesqlbulk collectforall
    BULK COLLECT 子句会批量检索结果，即一次性将结果集绑定到一个集合变量中，并从SQL引擎发送到PL/SQL引擎。通常可以在SELECT INTO、 FETCH INTO以及RETURNING INTO子句中使用BULK COLLECT。本文将逐一描述BULK COLLECT在这几种情形下的用法。     有关FORALL语句的用法请参考：批量SQL之 F
  • Linux下使用rsync最快速删除海量文件的方法 dongwei_6688 OS
    1、先安装rsync：yum install rsync 2、建立一个空的文件夹：mkdir /tmp/test 3、用rsync删除目标目录：rsync --delete-before -a -H -v --progress --stats /tmp/test/ log/这样我们要删除的log目录就会被清空了，删除的速度会非常快。rsync实际上用的是替换原理，处理数十万个文件也是秒删。
  • Yii CModel中rules验证规格 dcj3sjt126com rulesyiivalidate
    Yii cValidator主要用法分析：  yii验证rulesit 分类： Yii yii的rules验证 cValidator主要属性 attributes ,builtInValidators,enableClientValidation,message,on,safe,skipOnError  
  • 基于vagrant的redis主从实验 dcj3sjt126com vagrant
    平台: Mac 工具: Vagrant 系统: Centos6.5 实验目的: Redis主从   实现思路 制作一个基于sentos6.5, 已经安装好reids的box, 添加一个脚本配置从机, 然后作为后面主机从机的基础box   制作sentos6.5+redis的box   mkdir vagrant_redis cd vagrant_
  • Memcached(二)、Centos安装Memcached服务器 frank1234 centosmemcached
    一、安装gcc rpm和yum安装memcached服务器连接没有找到，所以我使用的是make的方式安装，由于make依赖于gcc，所以要先安装gcc 开始安装，命令如下，[color=red][b]顺序一定不能出错[/b][/color]： 建议可以先切换到root用户，不然可能会遇到权限问题：su root 输入密码...... rpm -ivh kernel-head
  • Remove Duplicates from Sorted List hcx2013 remove
    Given a sorted linked list, delete all duplicates such that each element appear only once. For example,Given 1->1->2, return 1->2.Given 1->1->2->3->3, return&
  • Spring4新特性——JSR310日期时间API的支持 jinnianshilongnian spring4
    Spring4新特性——泛型限定式依赖注入 Spring4新特性——核心容器的其他改进 Spring4新特性——Web开发的增强 Spring4新特性——集成Bean Validation 1.1(JSR-349)到SpringMVC  Spring4新特性——Groovy Bean定义DSL Spring4新特性——更好的Java泛型操作API  Spring4新
  • 浅谈enum与单例设计模式 247687009 java单例
    在JDK1.5之前的单例实现方式有两种(懒汉式和饿汉式并无设计上的区别故看做一种)，两者同是私有构 造器，导出静态成员变量，以便调用者访问。 第一种 package singleton; public class Singleton { //导出全局成员 public final static Singleton INSTANCE = new S
  • 使用switch条件语句需要注意的几点 openwrt cbreakswitch
    1. 当满足条件的case中没有break，程序将依次执行其后的每种条件（包括default）直到遇到break跳出 int main() { int n = 1; switch(n) { case 1: printf("--1--\n"); default: printf("defa
  • 配置Spring Mybatis JUnit测试环境的应用上下文 schnell18 springmybatisJUnit
    Spring-test模块中的应用上下文和web及spring boot的有很大差异。主要试下来差异有： 单元测试的app context不支持从外部properties文件注入属性 @Value注解不能解析带通配符的路径字符串 解决第一个问题可以配置一个PropertyPlaceholderConfigurer的bean。 第二个问题的具体实例是：    
  • Java 定时任务总结一 tuoni javaspringtimerquartztimertask
     Java定时任务总结  一.从技术上分类大概分为以下三种方式：  1.Java自带的java.util.Timer类，这个类允许你调度一个java.util.TimerTask任务;   说明：    java.util.Timer定时器，实际上是个线程，定时执行TimerTask类 &
  • 一种防止用户生成内容站点出现商业广告以及非法有害等垃圾信息的方法 yangshangchuan rank相似度计算文本相似度词袋模型余弦相似度
    本文描述了一种在ITEYE博客频道上面出现的新型的商业广告形式及其应对方法，对于其他的用户生成内容站点类型也具有同样的适用性。   最近在ITEYE博客频道上面出现了一种新型的商业广告形式，方法如下：     1、注册多个账号（一般10个以上）。     2、从多个账号中选择一个账号，发表1-2篇博文
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他