<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Class_guy的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Class_guy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Class_guy]]></copyright><item><title><![CDATA[国内外知识库]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/99709978</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/99709978</guid><author>Class_guy</author><pubDate>Sun, 18 Aug 2019 21:51:39 +0800</pubDate><description><![CDATA[英文：

1.WordNet：依赖专家知识，由人工标注，将英文单词按照单词的语义组成一个大的概念网络。由同义词集和描述同义词集之间的关系构成。词语被聚类为同义词集，每个同义词集表示一个基本的词汇语义概念，词集之间的语义关系包括同义关系、反义关系、上位关系、下位关系、整体关系、部分关系、蕴含关系、因果关系、近似关系等。http://wordnet.princeton.com/

2.Cyc/Open...]]></description><category></category></item><item><title><![CDATA[可视化词向量-TSNE]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/89014779</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/89014779</guid><author>Class_guy</author><pubDate>Thu, 04 Apr 2019 10:40:04 +0800</pubDate><description><![CDATA[可视化词向量的好处是可以验证训练的词向量的效果，常采用TSNE方法可视化。

t-分布领域嵌入算法，它只用于已标注数据时才真正有意义，可以明确显示出输入的聚类状况。

主要想法是将高维分布点的距离用条件概率来表示相似性，同时低维分布的点也是这样表示。只要二者的条件概率非常接近(用相对熵来训练，所以需要label)，那就说明高维分布的点已经映射到低维分布上了。



难点：

1.高维距离较近的点...]]></description><category></category></item><item><title><![CDATA[TensorFlow加载多个模型]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/87951223</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/87951223</guid><author>Class_guy</author><pubDate>Tue, 26 Feb 2019 22:28:59 +0800</pubDate><description><![CDATA[通常我们在开发中根据不同任务需要不同的预训练模型，因此需要同时加载多个模型文件。但是同时加载多个TensorFlow预训练模型时，若还是采用加载单个模型文件一样的方式则会因图冲突而加载失败。主要是因为不同对象里面的不同sess使用了同一进程空间下的相同的默认图graph。 因此，我们需要为为每个类(实例)单独创建一个graph


g1 = tf.Graph() #为每个类(实例)单独创建一个gr...]]></description><category></category></item><item><title><![CDATA[知识图谱随笔]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/86503298</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/86503298</guid><author>Class_guy</author><pubDate>Wed, 16 Jan 2019 10:32:47 +0800</pubDate><description><![CDATA[知识图谱构建方式：

自顶向下，自底向上

自顶向下：

先为知识图谱定义好本体与数据模式，再将实体加入到实体库。

注意：此种方式需要利用一些现有的结构化知识库作为基础知识库。

自底向上：

从一些开放链接数据中提取出实体，选择其中置信度较高的加入到知识库，再构建顶层的本体模式。

 

行业知识库也称为垂直型知识库。

 

Extract KBs 涉及两个关键技术：

 1.实体链接：

...]]></description><category></category></item><item><title><![CDATA[简单的检索式问答系统]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/86498661</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/86498661</guid><author>Class_guy</author><pubDate>Tue, 15 Jan 2019 20:50:31 +0800</pubDate><description><![CDATA[这是我之前做的一个小项目，趁现在有时间就把它拿出来记录一下。

通过此项目，能够掌握以下几个知识点：

字符串操作 2. 文本预处理技术（词过滤，标准化） 3. 文本的表示（tf-idf, word2vec) 4. 文本相似度计算 5. 文本高效检索
简单的检索式的问答系统

问答系统所需要的数据已经提供，对于每一个问题都可以找得到相应的答案，所以可以理解为每一个样本数据是 &amp;lt;问题、答案&amp;g...]]></description><category></category></item><item><title><![CDATA[对话系统笔记]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/85242274</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/85242274</guid><author>Class_guy</author><pubDate>Tue, 25 Dec 2018 09:02:53 +0800</pubDate><description><![CDATA[单轮对话

一、单轮对话

指简单的一问一答，问题可以用一句话来描述，不依赖于上下文。如下图所示：



对话交互中大大量的问题都是这样的单轮问答。

一般这样的问答依赖于一个知识库/问答对集合。机器人从知识库里检索相似的问题，给出答案。

二、单轮对话指标

1、召回率

召回率 = 机器人能回答的问题数 / 问题总数

 

召回率：机器人能答上来的问题越多，则召回率越高。

会话没有召回可能...]]></description><category></category></item><item><title><![CDATA[论文笔记：Emotional Chatting Machine: Emotional Conversation Generation with Internal and External Memory]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/85014371</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/85014371</guid><author>Class_guy</author><pubDate>Sat, 15 Dec 2018 17:16:30 +0800</pubDate><description><![CDATA[总所周知，许多对话系统的回复都比较单调或中性，降低了对话体验。而且，情感智能是人工智能至关重要的一部分，它能够感知，识别，理解用户的情感，并依此调节自身情感，给出符合情绪的表达。

该篇论文设计了一个情绪化的对话生成模型。该模型应用于开放领域对话系统，可以将情绪信息引入到对话生成模型中，根据情绪类别生成相应回复语句。模型接受单轮的对话上文，即可生成基于不同情绪类别的对话下文（也可以增加输入指定的情...]]></description><category></category></item><item><title><![CDATA[论文学习笔记：Building Task-Oriented Dialogue Systems for Online Shopping]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/84935412</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/84935412</guid><author>Class_guy</author><pubDate>Mon, 10 Dec 2018 15:22:17 +0800</pubDate><description><![CDATA[首先，该篇论文是北航与微软小冰团队合作的，该对话系统旨在帮助网购用户完成各种与购物相关的任务，为用户推荐更多相关产品和产品信息，同时还支持闲聊。

对话系统一般能分为两类：

1、聊天型系统旨在与用户进行交谈，并提供有趣的，与上下文相关的合理回复。

2、任务型系统旨在帮助用户完成特定任务目标（例如找餐厅）。

 

本文设计的是任务型对话系统，该系统由4部分组成：DS={QU,ST,DM,PKB...]]></description><category></category></item><item><title><![CDATA[个性化对话系统Personalization in Goal-oriented Dialog]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/84776787</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/84776787</guid><author>Class_guy</author><pubDate>Mon, 03 Dec 2018 18:03:22 +0800</pubDate><description><![CDATA[地址：https://www.jianshu.com/p/c8149e3db9a2]]></description><category></category></item><item><title><![CDATA[scrapy爬虫后IP地址被ban解决方案]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/84573395</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/84573395</guid><author>Class_guy</author><pubDate>Tue, 27 Nov 2018 21:08:50 +0800</pubDate><description><![CDATA[主要策略：

动态设置user agent
	禁用cookies
	设置延迟下载
	使用google cache
	使用IP地址池（Tor Project、VPN和代理IP）
	使用Crawlera
1、创建middlewares.py

　　scrapy代理IP、user agent的切换都是通过DOWNLOADER_MIDDLEWARES进行控制，下面我们创建middlewares.py文件。...]]></description><category></category></item><item><title><![CDATA[Python内置方法]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/84140072</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/84140072</guid><author>Class_guy</author><pubDate>Fri, 16 Nov 2018 15:30:36 +0800</pubDate><description><![CDATA[回顾记录Python的内置方法

1、__new__、__init__

__new__方法是真正的类构造方法，用于产生实例化对象（空属性）。重写__new__方法可以控制对象的产生过程。__init__方法是初始化方法，负责对实例化对象进行属性值初始化，此方法必须返回None，__new__方法必须返回一个对象。重写__init__方法可以控制对象的初始化过程。


# 使用new来处理单例模式...]]></description><category></category></item><item><title><![CDATA[Python装饰器]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/84139369</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/84139369</guid><author>Class_guy</author><pubDate>Fri, 16 Nov 2018 15:01:59 +0800</pubDate><description><![CDATA[之前每搞懂Python的装饰器，现在特记录复习。

为什么需要装饰器

我们假设你的程序实现了say_hello()和say_goodbye()两个函数。


def say_hello():
    print &quot;hello!&quot;
    
def say_goodbye():
    print &quot;hello!&quot;  # bug here

if __name__ == '__main__':
 ...]]></description><category></category></item><item><title><![CDATA[C++面试知识总结]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/83615008</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/83615008</guid><author>Class_guy</author><pubDate>Thu, 01 Nov 2018 09:22:30 +0800</pubDate><description><![CDATA[C/C++

const

作用

修饰变量，说明该变量不可以被改变；
	修饰指针，分为指向常量的指针和指针常量；
	常量引用，经常用于形参类型，即避免了拷贝，又避免了函数对值的修改；
	修饰成员函数，说明该成员函数内不能修改成员变量。
使用

const 使用


// 类
class A
{
private:
    const int a;                // 常对象成员，只...]]></description><category></category></item><item><title><![CDATA[Linux常用命令]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/83421142</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/83421142</guid><author>Class_guy</author><pubDate>Fri, 26 Oct 2018 21:42:11 +0800</pubDate><description><![CDATA[最近老是记不住Linux的命令，特做一些总结。

系统信息 
arch 显示机器的处理器架构(1) 
uname -m 显示机器的处理器架构(2) 
uname -r 显示正在使用的内核版本 
dmidecode -q 显示硬件系统部件 - (SMBIOS / DMI) 
hdparm -i /dev/hda 罗列一个磁盘的架构特性 
hdparm -tT /dev/sda 在磁盘上执行测试性读取...]]></description><category></category></item><item><title><![CDATA[使用卷积神经网络的一些技巧]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/83022455</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/83022455</guid><author>Class_guy</author><pubDate>Fri, 12 Oct 2018 09:57:56 +0800</pubDate><description><![CDATA[转载自：https://mp.weixin.qq.com/s/kH4KyZFdFO01R0Nt1fE9yA

障排除前…

以下是在编写深度学习算法时要遵循的最佳实践，关于这个主题的很好的资料来源于CS231n课程讲义以及Bengio的综述论文。

Stanford's CS231n课程讲义：

http://cs231n.github.io/

Bengio的综述论文：

https://arx...]]></description><category></category></item><item><title><![CDATA[常见特征选择方法简要笔记]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/83008708</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/83008708</guid><author>Class_guy</author><pubDate>Thu, 11 Oct 2018 10:47:18 +0800</pubDate><description><![CDATA[子集搜索，一般采用贪心算法：前向搜索，后向搜索，双向搜索

子集评价，一般采用信息增益方法

特征选择常用算法一般过程：

1、生成子集：搜素特征子集，为评价函数提供特征子集

2、评价函数：评价特征的好坏

3、停止准则：与评价函数相关，一般是阈值。评价函数达到一定标准后就可停止搜索

4、验证过程：在验证数据集上验证选出来的特征子集的有效性。

 

常见的特征选择方法：

1、过滤式：过滤式...]]></description><category></category></item><item><title><![CDATA[构建深度学习网络的实用技巧]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/82932874</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/82932874</guid><author>Class_guy</author><pubDate>Wed, 03 Oct 2018 17:52:49 +0800</pubDate><description><![CDATA[转载自：https://www.cnblogs.com/DicksonJYL/p/9660811.html

作者| Matt H/Daniel R

译者| 婉清

编辑| Jane

出品| AI 科技大本营

 

【导读】在经历成千上万个小时机器学习训练时间后，计算机并不是唯一学到很多东西的角色，作为开发者和训练者的我们也犯了很多错误，修复了许多错误，从而积累了很多经验。在本文中，作者基于...]]></description><category></category></item><item><title><![CDATA[标准C++中的string类的用法总结]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/82930263</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/82930263</guid><author>Class_guy</author><pubDate>Wed, 03 Oct 2018 10:24:24 +0800</pubDate><description><![CDATA[转载自：http://www.cnblogs.com/xFreedom/archive/2011/05/16/2048037.html

要想使用标准C++中string类，必须要包含

#include &amp;lt;string&amp;gt;// 注意是&amp;lt;string&amp;gt;，不是&amp;lt;string.h&amp;gt;，带.h的是C语言中的头文件

using  std::string;

using  ...]]></description><category></category></item><item><title><![CDATA[神经网络模型优化方法（缓解过拟合）]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/82491018</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/82491018</guid><author>Class_guy</author><pubDate>Fri, 07 Sep 2018 11:22:32 +0800</pubDate><description><![CDATA[转自：https://blog.youkuaiyun.com/chenyukuai6625/article/details/76922840

一、背景简介 
  在深度学习和机器学习的各种模型训练过程中，在训练数据不够多时，自己常常会遇到的问题就是过拟合（overfitting），过拟合的意思就是模型过度接近训练的数据，使得模型的泛化能力降低，泛化能力降低表现为模型在训练集上测试的误差很低，但是真正在验证集...]]></description><category></category></item><item><title><![CDATA[MapReduce概述]]></title><link>https://blog.youkuaiyun.com/Class_guy/article/details/81610071</link><guid>https://blog.youkuaiyun.com/Class_guy/article/details/81610071</guid><author>Class_guy</author><pubDate>Sun, 12 Aug 2018 22:15:41 +0800</pubDate><description><![CDATA[MapReduce是一个软件框架，可以将单个计算作业分配给多台计算机执行。它假定这些作业在单机上需要很长的运行时间，因此使用多台机器缩短运行时间。常见的例子是日常统计数字汇总，该任务单机上执行时间将超过一整天。

优点：可在短时间内完成大量工作。

缺点：算法必需经过重写，需要对系统工程有一定的理解。

适用数据类型：数值型和标称型数据。

MapReduce在大量节点组成的集群上运行。

工作流...]]></description><category></category></item></channel></rss>