<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Tuka2000的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Tuka2000</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Tuka2000]]></copyright><item><title><![CDATA[[EMNLP21-findings] Named Entity Recognition for Entity Linking: What Works and What’s Next 阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123948617</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123948617</guid><author>Tuka2000</author><pubDate>Mon, 04 Apr 2022 11:09:27 +0800</pubDate><description><![CDATA[Named Entity Recognition for Entity Linking: What Works and What’s Next [pdf]

论文状态：被EMNLP21-findings接收
作者：Simone Tedeschi, Simone Conia, Francesco Cecconi and Roberto Navigli
TL;DR: 本文尝试了各种利用命名实体类别信息辅助实体链接的方法，发现NER能够很好的在少样本训练的情况下辅助实体链接模型．

1. Motivation
作]]></description><category></category></item><item><title><![CDATA[[EMNLP21-findings] BERT might be Overkill: Biomedical Entity Linker based on ResCNN 阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123946035</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123946035</guid><author>Tuka2000</author><pubDate>Sun, 03 Apr 2022 23:49:20 +0800</pubDate><description><![CDATA[BERT might be Overkill: A Tiny but Effective Biomedical Entity Linker based on Residual Convolutional Neural Networks [pdf]

论文状态：被EMNLP21-findings接收
作者：Tuan Lai, Heng Ji, ChengXiang Zhai
TL;DR: 本文用ResCNN取代传统的BERT做Entity Linking，可以取得相近的效果并大量减少参数和计算时间．

1. ]]></description><category></category></item><item><title><![CDATA[[ACL22] HIBRIDS:Hierarchical Biases for Structure-aware Long Document Summarization 阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123795026</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123795026</guid><author>Tuka2000</author><pubDate>Mon, 28 Mar 2022 16:46:54 +0800</pubDate><description><![CDATA[HIBRIDS: Attention with Hierarchical Biases
for Structure-aware Long Document Summarization [pdf]

论文状态：被ACL22接收
作者：University of Michigan的 Shuyang Cao 和 Lu Wang
TL;DR: 本文用相对关系矩阵为transformer引入文档结构信息，进而提升长文档摘要的效果，并介绍了一个新的任务：结构化＂问题-摘要对＂生成．

1. Motivation
文档的]]></description><category></category></item><item><title><![CDATA[[ACL22] An Imitation Learning Curriculum for Text Editing with Non-Autoregressive Models阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123667269</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123667269</guid><author>Tuka2000</author><pubDate>Tue, 22 Mar 2022 17:58:20 +0800</pubDate><description><![CDATA[An Imitation Learning Curriculum for Text Editing with Non-Autoregressive Models [pdf]

论文状态：被ACL22接收
作者：University of Maryland的 Sweta Agrawal 和 Marine Carpuat
TL;DR: 本文介绍了两种互补的策略来解决NAR模型适应编辑任务时训练不足和泛化问题：roll-in policy和Curriculum Learning

1. Motivation
设计]]></description><category></category></item><item><title><![CDATA[[ACL22-Findings] Entity Profile Generation for Wikipedia Entity Linking (Lai et al, 2022)阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123636111</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123636111</guid><author>Tuka2000</author><pubDate>Mon, 21 Mar 2022 15:12:34 +0800</pubDate><description><![CDATA[Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [pdf]

论文状态：被ACL22-Findings接收
作者：UIUC的 Tuan Lai, Heng Ji, ChengXiang Zhai
TL;DR:作者在候选实体检索任务上发明了Entity Profile Generation方法，用BART给mention生成一段含有标题和描述的profile作为query，用wik]]></description><category></category></item><item><title><![CDATA[[ACL22] SummaReranker (Ravaut et al, 2022) 阅读笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/123616731</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/123616731</guid><author>Tuka2000</author><pubDate>Sun, 20 Mar 2022 19:47:35 +0800</pubDate><description><![CDATA[ACL22的 SummaReranker论文阅读笔记]]></description><category></category></item><item><title><![CDATA[XML学习笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/120936296</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/120936296</guid><author>Tuka2000</author><pubDate>Sun, 24 Oct 2021 16:44:14 +0800</pubDate><description><![CDATA[XML
语法


XML对大小写敏感


XML 文档必须有一个元素是所有其他元素的父元素。该元素称为根元素。


XML 的属性值须加引号


&lt;note date="08/08/2008"&gt;
&lt;to&gt;George&lt;/to&gt;
&lt;from&gt;John&lt;/from&gt;
&lt;/note&gt; 





在 XML 中，有 5 个预定义的实体引用，来代替一些特殊的字符：






实体引用
显示的符号
意义




&amp;lt;
&lt;
小于]]></description><category></category></item><item><title><![CDATA[Albert+ TextCNN 文本二分类任务实践]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/109253646</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/109253646</guid><author>Tuka2000</author><pubDate>Sat, 24 Oct 2020 08:51:56 +0800</pubDate><description><![CDATA[文章目录任务数据流程模型baseline自己写的输入输出AlbertClassifierModel训练细节参数实验在test集输出规则serch_f1线上
任务
参加了一个贝壳找房公司在DataFountain上举办的比赛
任务：
本次赛题的任务是：给定app中的交流片段，片段包含一个客户问题以及随后的经纪人若干对话消息，从这些随后的经纪人消息中找出一个是对客户问题的。
这是一个二分类的问题，就是对许多的 (问题，答案)句子组合 进行 预测，如果问题和回答匹配了，就标注为1。
数据
训练集: 6000段对话]]></description><category></category></item><item><title><![CDATA[菜鸟教程html学习笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/108371620</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/108371620</guid><author>Tuka2000</author><pubDate>Wed, 02 Sep 2020 22:22:27 +0800</pubDate><description><![CDATA[html学习笔记
一、简介
注意事项：

对于中文网页需要使用&lt;meta charset=“utf-8”&gt;声明编码，否则会出现乱码。

有些浏览器(如 360 浏览器和google浏览器)会设置 GBK 为默认编码，则你需要设置为&lt;meta charset=“gbk”&gt;。
疑惑：难道html的使用性这么差吗，不同的浏览器就得写不同的charset ???



二、语法


注释

在HTML源代码中想要添加注释，需要使用&lt;!–…--&gt; 注释标签。



结构


&lt]]></description><category></category></item><item><title><![CDATA[Bert用在seq2seq任务上——UNILM实战]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/108210893</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/108210893</guid><author>Tuka2000</author><pubDate>Mon, 24 Aug 2020 23:23:22 +0800</pubDate><description><![CDATA[文章目录1.UNILM简介2.实战2.0 租服务器2.0.1 基础配置2.0.2 网络和安全组2.0.3 系统配置2.0.4 服务器的状态2.0.5 查看账单2.1 环境配置2.1.0 登录服务器2.1.1 安装torch2.1.2 配置 UNILM 要求的包2.2 训练2.3 验证3.结语
1.UNILM简介
按照我粗浅的理解：


传统的seq2seq模型需要用一个encoder把输入的语料处理成向量,一个decoder把向量转换为词表里的词，生成目标语句。


Bert是一个预训练好的语言模型，有三层]]></description><category></category></item><item><title><![CDATA[Hierarchical Transformers for Multi-Document Summarization笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107239617</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107239617</guid><author>Tuka2000</author><pubDate>Thu, 09 Jul 2020 22:46:24 +0800</pubDate><description><![CDATA[学习文本之间的潜在联系
一、导论
提到了wikisum，尽管wikisum向抽象多文档摘要迈出了重要的第一步，但是：


它仍然认为多个输入文档是连接的平面序列，不知道文档之间的层次结构和可能存在的关系。


选择搜索结果前10个，每个结果可能有重叠，用不同的方式表达同样的内容


作者强调文档间的图关系(PageRank？)


作者貌似要替换掉文档间的注意力机制计算


replacing inter-document attention


with a graph-matrix computed b]]></description><category></category></item><item><title><![CDATA[WikiWrite: Generating Wikipedia Articles Automatically笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107217706</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107217706</guid><author>Tuka2000</author><pubDate>Wed, 08 Jul 2020 23:34:54 +0800</pubDate><description><![CDATA[1.document embeddings   → 获得单词和段落的矢量表示  → 向量算相似度 →判别不同的文章(分类器)
2.两步的整数线性规划(ILP)模型  →  summarize &amp; rewrite
一、导论
假设1：类别信息是已知的，文章通常属于多个类别，而这些类别往往不是同等重要的。
文章从多个类别总结 → 问题：

文章不够精练，某些情况下，分类不能提供太多信息
侵犯版权，意味着实体上的内容不能直接复制到维基百科
连贯性问题

我们使用段落向量模型(Le and Mikolov, ]]></description><category></category></item><item><title><![CDATA[Generating Summaries with Topic Templates and Structured Convolutional Decoders笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107168495</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107168495</guid><author>Tuka2000</author><pubDate>Mon, 06 Jul 2020 21:36:04 +0800</pubDate><description><![CDATA[用的是卷积解码器，和已知的经典RNN的seq2seq是不同的，有更好的内容覆盖率
一、定义
导言
文档被组织成主题连贯的文本片段，在讨论的内容方面表现出特定的结构
某些主题可能以特定的顺序进行讨论
(比如描述物种的顺序一般是：类型、发现的地区、栖息地)
任务
和18年WikiSum一样
二、模型
我们的模型由一个结构化的译码器组成，它被训练来预测一系列应该在摘要中讨论的句子主题，并基于这些主题生成句子。

encoder: CNN
decoder:

document-level decoder first]]></description><category></category></item><item><title><![CDATA[Automatically generating wikipedia articles: A structure-aware approach笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107137081</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107137081</guid><author>Tuka2000</author><pubDate>Sun, 05 Jul 2020 12:05:47 +0800</pubDate><description><![CDATA[这是少见的没有用神经网络的论文，感觉像是一股清流
一、任务定义
在本文中，我们考虑的任务是自动创建一个多段的概述文章，提供一个主题的综合总结。
我们使用特定领域的自动生成的内容模板为文章选择相关的材料。
(例如，关于疾病的文章的模板可能包含诊断、原因、症状和治疗。我们的系统通过分析人类创作文档的结构模式，归纳出这些模板。)
我们将这个任务定义为一个结构化的分类问题。我们估计我们的模型的参数使用感知器算法与整数线性规划(ILP)公式，运行在给定领域的一个示例文章的训练集。
我们的重点是生成新的概述文章，遵循维]]></description><category></category></item><item><title><![CDATA[Generating wikipedia by summarizing long sequences笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107127304</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107127304</guid><author>Tuka2000</author><pubDate>Sat, 04 Jul 2020 17:20:38 +0800</pubDate><description><![CDATA[Generating wikipedia by summarizing long sequences
we introduce a decoder-only architecture that can scalably attend to very long sequences
一、任务定义
我们将英文维基百科视为一个多文档摘要的监督机器学习任务

input :维基百科主题(文章标题)、非维基百科参考文档集合组成
output：维基百科文章文本

二、相关工作
input output
作者的最大，说明作]]></description><category></category></item><item><title><![CDATA[寒假学习java笔记]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107044317</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107044317</guid><author>Tuka2000</author><pubDate>Tue, 30 Jun 2020 16:01:38 +0800</pubDate><description><![CDATA[Day1 2020年1月21日
1.一行最好只定义一个变量，定义多个变量要每个都赋初值
2.浮点输入：（声明用Double/Float，利用in.nextDouble()/in.nextFloat()输入）
浮点计算：只要运算符两边有一个浮点就按浮点计算，否则结果保留整数
浮点比较：  判断a==b? 使用 Math.abs(a-b)&lt;1e-6
3.运算符优先级
单目运算符优先级最高，（int）就是单目运算符 ，再如：–、++
关系运算符优先级 &lt; 加减
关系运算
==和!=优先级比其他的低
6]]></description><category></category></item><item><title><![CDATA[北航面向对象课程博客]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107043558</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107043558</guid><author>Tuka2000</author><pubDate>Tue, 30 Jun 2020 15:38:40 +0800</pubDate><description><![CDATA[一学期的面向对象课结束了，现在回忆一下还是很爆肝 充实的。


大概学了一些java的知识，jUnit单元测试，初步接触多线程编程，JML建模语言和UML建模语言。


比较遗憾的是，没有自己搭建过评测机，都是用室友写的评测机来测试。


四个单元，每个单元的博客都是在博客园发布的：
OO第一单元总结——惊蛰
OO第二单元总结——谷雨
OO第三单元总结——小满
OO第四单元总结——夏至
(只有第一单元是用了心写的，并且用编程的角度写了一个关于鬼灭之刃的小故事哈哈哈)

...]]></description><category></category></item><item><title><![CDATA[Re:从零开始的PyTorch生活 week1]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107042977</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107042977</guid><author>Tuka2000</author><pubDate>Tue, 30 Jun 2020 15:25:08 +0800</pubDate><description><![CDATA[Day1 6月28
一、关于tensor
辨析-1
-1可以表示最后一行/列
x=tensor([[-0.1859,  1.3970,  0.5236],
        [ 2.3854,  0.0707,  2.1970],
        [-0.3587,  1.2359,  1.8951],
        [-0.1189, -0.1376,  0.4647],
        [-1.8968,  2.0164,  0.1092]])
print(x[:, -1])

会打印最后一列:tens]]></description><category></category></item><item><title><![CDATA[从零开始的LeetCode 生活 week1]]></title><link>https://blog.youkuaiyun.com/Tuka2000/article/details/107041023</link><guid>https://blog.youkuaiyun.com/Tuka2000/article/details/107041023</guid><author>Tuka2000</author><pubDate>Tue, 30 Jun 2020 13:53:02 +0800</pubDate><description><![CDATA[Day2
简单题
用2个栈实现队列
我的做法
是只用了一个栈
相当于就是一个队列。。
删除，用到的是python的切片，从第一个往后切，时间复杂度应该是O(n)吧，空间复杂度是O(n)
返回当然是第一个元素
这样好像不是题目的意思额
class CQueue(object):

    def __init__(self):
        self.queue = []

    def appendTail(self, value):
        """
        :type value: i]]></description><category></category></item></channel></rss>