浅尝专题
论文浅尝 | 基于生成模型的多模态实体链接
笔记整理：郭凌冰，浙江大学博士，研究方向为知识图谱 链接：https://arxiv.org/abs/2306.12725 1. 动机 多模态实体链接（Multimodal Entity Linking，MEL）旨在将带有多模态上下文的提及映射到知识库（如维基百科）中的参考实体。现有的MEL方法主要侧重于设计复杂的多模态交互机制，并需要对所有模型参数进行微调，这在大型语言模型（LLM）时代
【RAG】浅尝基于多头注意力机制思想设计的Multi-Head RAG（多头RAG）
一、动机 现有RAG设计和评估方法，没有方案或评估方法明确针对具有多方面性的问题。下面解释一下多方面性的问题： "多方面性的问题"是指那些需要理解和整合多个不同领域或主题的知识和信息才能得到完整和准确回答的问题。这类问题的特点在于它们涉及的内容跨度广，可能包括但不限于以下几个方面： 多样性的主题：问题可能涉及多个不同的主题或领域，例如，一个关于历史事件的问题可能同时关联到政治、社会、经济和技
###好好好#######论文浅尝 | 基于图注意力的常识对话生成
论文浅尝 | 基于图注意力的常识对话生成 OpenKG 祝各位读者新春快乐，猪年吉祥！ 来源：IJCAI 2018. 论文下载地址：https://www.ijcai.org/proceedings/2018/0643.pdf 项目源码地址：https://github.com/tuxchow/ccm 动机 在以前的工作中，对话生成的信息源是文本与对话记录。但是这样一来
windows浅尝NW.js
windows浅尝NW.js 在本指南中，我们将详细介绍如何在windows上部署NW.js,实现应用的构成、启动方式、开发环境 环境部署 首先我们需要从官网下载对应的压缩包 (https://nwjs.io/downloads/) 下载完成后解压，可以看到对应的文件目录 然后我们运行目录下nw.exe如果出现下面样式，则表示启动成功 尝试创建一个NW.js应用 步骤 1
【论文浅尝】Porting Large Language Models to Mobile Devices for Question Answering
Introduction 移动设备上的大型语言模型(LLM)增强了自然语言处理，并支持更直观的交互。这些模型支持高级虚拟助理、语言翻译、文本摘要或文本中关键术语的提取(命名实体提取)等应用。 LLMs的一个重要用例也是问答，它可以为大量的用户查询提供准确的和上下文相关的答案。由于典型智能手机的处理能力有限，当前移动设备上的LLM查询在云中处理，LLM输出被发送回设备。这是ChatGPT应用程序
浅尝一下ECS（Entity Component System）（学习笔记）
参考文章：浅谈Unity ECS（一）Uniy ECS基础概念介绍：面向未来的ECS - 知乎 (zhihu.com) 视频链接：【青幻译制】GDC讲座系列之三 守望先锋的游戏架构和网络代码_哔哩哔哩_bilibili 云风的 BLOG: 浅谈《守望先锋》中的 ECS 构架 (codingnow.com) 一个典型的 ECS 框架 ↑ 世界->是系统和实体的组合 -> 实体是一个组件
【浅尝C++】继承机制=＞虚基表/菱形虚继承/继承的概念、定义/基类与派生类对象赋值转换/派生类的默认成员函数等详解
🏠专栏介绍：浅尝C++专栏是用于记录C++语法基础、STL及内存剖析等。 🎯每日格言：每日努力一点点，技术变化看得见。 文章目录 继承的概念及定义继承的概念继承的定义定义格式继承关系与访问限定符 基类和派生类对象赋值转换继承中的作用域派生类的默认成员函数继承与友元继承与静态成员复杂的菱形继承及菱形虚拟继承 继承的概念及定义 继承的概念 我们生活中也有继承的
【浅尝C++】STL第四弹=＞容器适配器底层实现原理/deque底层原理/stack、queue、priority介绍、常用接口示例及模拟实现
🏠专栏介绍：浅尝C++专栏是用于记录C++语法基础、STL及内存剖析等。 🎯每日格言：每日努力一点点，技术变化看得见。 文章目录 stack的介绍及常用接口示例stack介绍stack常用接口使用示例 queue介绍与常用接口示例queue介绍queue常用接口使用示例 priority_queue介绍与常用接口示例priority_queue介绍priority_queue
【浅尝C++】STL第三弹=＞list常用接口使用示例/list底层结构探索/list模拟实现代码详解
🏠专栏介绍：浅尝C++专栏是用于记录C++语法基础、STL及内存剖析等。 🎯每日格言：每日努力一点点，技术变化看得见。 文章目录 list介绍list常用接口使用示例构造类函数迭代器属性与元素获取增删改操作 list底层结构探索list模拟实现正向迭代器实现增删操作属性获取操作构造类函数整体代码汇总 list与vector比较 list介绍 list是可以在常
论文浅尝 | Leveraging Knowledge Bases in LSTMs
Yang, B., Mitchell, T., 2017. Leveraging Knowledge Bases in LSTMs for Improving Machine Reading. Association for Computational Linguistics, pp. 1436–1446. 链接：http://www.aclweb.org/anthology/P/P17
论文浅尝 | 基于知识图谱子图匹配以回答自然语言问题
Citation: Hu,S., Zou, L., Yu, J. X., Wang, H., & Zhao, D. (2018). Answering natural language questions by subgraph matching over knowledge graphs. IEEE Transactions on Knowledge & Data Engineering,
论文浅尝 | 推荐系统的可解释性浅谈
References: Explainable Recommendation via Multi-Task Learning in Opinionated Text Data Published at: The 41st International ACM SIGIR Conference on Research andDevelopment in Information Retriev
论文浅尝 | 最新10篇《知识图谱》论文推荐(ICML, CVPR, ACL, KDD, IJCAI 2019)
本文转载自公众号：专知。 【导读】知识图谱一直是研究热点，研究者近年来广泛关注知识图谱嵌入（Knowledge Graph Embedding，简称KGE）方法，在保留语义的同时，将知识图谱中的实体和关系映射到连续的、稠密的低维向量空间，从而可以通过向量来高效计算实体与关系的语义联系，利用学习得到的实体/关系的表征向量支撑下游应用。专知整理了最新ACL、CVPR、KDD、ICML等顶会关于知
论文浅尝 | 让“演进知识图谱”带你“瞻前顾后”看世界
本文转载自公众号：爱思美谱。 指导老师 | 傅洛伊 王新兵 核心技术成员 | 刘佳琪 导读 在前面几期的内容中，小编已经为大家介绍了知识图谱的产生历史和基本概念。相信大家已经对知识图谱强大的信息结构化能力有所了解。但是，目前的大部分知识图谱均有一个特点——仅刻画了静态知识信息。在现实世界中，知识往往是带有时间标签的，且会随时间发生显著变化。例如，乔布斯于20
论文浅尝 | 知识图谱三元组置信度的度量
论文笔记整理：叶橄强，浙江大学计算机学院，知识图谱和知识推理方向。 https://arxiv.org/pdf/1809.09414.pdf 动机 在构建知识图谱的过程中，不可避免地会产生噪声和冲突。基于知识图谱的任务或应用一般默认假定知识图谱中的知识是完全正确的，这样会不可避免地会带来潜在的偏差。而本文则建立了一个知识图谱三元组置信度的度量模型（Knowledge Grap
论文浅尝 | DKN: 面向新闻推荐的深度知识感知网络
笔记整理：仲亮靓，东南大学硕士研究生，研究方向是基于知识图谱的推荐系统 动机 新闻文本的语言非常凝练，其中包含了很多实体和常识知识。但目前的新闻个性化推荐方法都没有利用这些外部知识，也没有使用新闻之间潜在的知识层面的联系。这就导致推荐的结果总是局限于简单额匹配，不能合理地扩展。 为了解决以上的问题，文章中提出了基于内容的结合知识图谱来做新闻推荐（点击率预测）的方法DKN（Deep Knowl
论文浅尝 | 面向知识图谱补全的共享嵌入神经网络模型
论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。 来源：CIKM’2018 链接：http://delivery.acm.org/10.1145/3280000/3271704/p247-guan.pdf?ip=121.249.15.96&id=3271704&acc=ACTIVE%20SERVICE&key=BF85BBA5741FDC6E%2EEEBE65583048
论文浅尝 | 机器阅读理解中常识知识的显式利用
论文笔记整理：吴林娟，天津大学硕士，自然语言处理方向。 链接：https://arxiv.org/pdf/1809.03449.pdf 动机 机器阅读理解(MRC)和人类进行阅读理解之间还存在差距，作者认为主要体现在对于数据的需求和噪声鲁棒性上，人类往往拥有大量的常识性知识，从短文中就能进行深刻的阅读理解。所以在文章中，作者探索了如何将MRC模型的神经网络与常识相结合，并基于常识数据的扩展，
论文浅尝 | BAG：面向多跳推理问答得双向 Attention 实体图卷积网络
论文笔记整理：谭亦鸣，东南大学博士生，研究兴趣：知识图谱问答 来源：NAACL 2019 链接：https://www.aclweb.org/anthology/N19-1032/ 实现多跳推理问答需要模型能够充分理解文本和 query 之间的关系，本文提出了一种双向注意力实体图卷积网络(BAG)，该方法利用实体图中的节点及实体图与query之间的attention信息处理上
论文浅尝 | 具有图卷积网络和顺序注意力机制的应用于目标导向的对话系统
论文笔记整理：吴涵，天津大学硕士，研究方向：自然语言处理。 来源：2019 Association for Computational Linguistics论文链接：https://www.mitpressjournals.org/doi/full/10.1162/tacl_a_00284开放源码：https://github.com/sumanbanerjee1/GCN-SeA 概述
论文浅尝 | 基于用户反馈的交互式自然语言回答系统提升机制
本文转载自公众号：图谱学苑。 今天介绍的工作是An Interactive Mechanism to Improve Question Answering Systems via Feedback，作者：张欣勃，邹磊，胡森，被CIKM2019接收。本文是一篇与知识库自然语言问答系统（QA）相关的工作。在本文中，我们设计了一种旨在通过用户对QA系统的反馈，来进行提升QA系统的交互式框架（IM
论文浅尝 | Meta Relational Learning: 基于元关系学习的少样本知识图谱推理
本文转载自公众号：浙大KG。 笔记整理：陈名杨，浙江大学在读博士 发表会议：EMNLP-2019 论文链接：https://arxiv.org/abs/1909.01515 开源代码：https://github.com/AnselCmy/Met
论文浅尝 - ESWC2020 | ESBM：一个面向实体摘要的评测集
本文转载自公众号：南大Websoft。 实体摘要（Entity Summarization），是知识图谱研究与应用中的一个关键问题。南京大学Websoft团队为此制作了一个评测集，称作ESBM，是目前可以公开获取的规模最大的评测集。这项工作被知识图谱领域重要国际会议ESWC 2020（CCF-C类）授予“最佳资源论文提名奖”。以下是论文第一作者博士生刘庆霞对这项工作的介绍。 引言 RDF数据集
论文浅尝 - AAAI2020 | 基于知识图谱进行对话目标规划的开放域对话生成技术
论文笔记整理：张傲，天津大学硕士。 Knowledge Graph Grounded Goal Planning for Open-Domain Conversation Generation 来源：哈工大SCIR 动机 让机器生成有内容并且主题连贯的多轮开放域对话，是人工智能公认的关键任务之一。针对这一任务，研究人员尝试了一些基于端到端的生成模型，但模型生成的回复内容丰富性较低。有效聊天话题
论文浅尝-WSDM | Stepwise Reasoning for Multi-Relation QA
论文笔记整理：谭亦鸣，东南大学博士。 来源：WSDM ’20 链接： https://dl.acm.org/doi/pdf/10.1145/3336191.3371812 1.介绍 知识图谱问答旨在利用知识图谱的结构化信息回答以自然语言提出的问题。当面对多关系问题时，现有基于embedding的方法所采用的构建主题实体子图策略会导致较高的时间复杂，同时，由于数据标注的高成本，精确地给出回