<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[mysky54的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/mysky54</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mysky54]]></copyright><item><title><![CDATA[论文解读：SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge Graph Summarization（Bi）]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/117707032</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/117707032</guid><author>mysky54</author><pubDate>Tue, 08 Jun 2021 16:41:01 +0800</pubDate><description><![CDATA[Part1 Introduction
以前的大多数工作都集中在二元 DDI 预测上，而多类型 DDI 药理作用预测更有意义但任务更艰巨
SumGNN: knowledge summarization graph neural network:
提出了一种新方法SumGNN，可以有效地使用KG 来帮助预测药物相互作用

Part2 Methods
Problem Settings:
（1）Drug Interaction Graph：
????_???????????? = {(u,r,v)|u∈ D,r∈?]]></description><category></category></item><item><title><![CDATA[论文解读：K-BERT：Enabling Language Representation with Knowledge Graph（AAAI-20）]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/116570235</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/116570235</guid><author>mysky54</author><pubDate>Sun, 09 May 2021 20:57:57 +0800</pubDate><description><![CDATA[Part1 Introduction
BERT这种公共模型，对于通用领域表现优秀，但是垂直领域表现不佳，除非在垂直领域进行训练，但是非常耗时耗力。将知识图谱整合到语言表示中，领域知识将能提升垂直领域的任务，并且模型具有更好的可解释性。
论文提出的K-BERT通过引进知识图谱（将知识库中的结构化信息（三元组）融入到预训练模型）中，可以更好地解决领域相关任务。
Part2 Methods

模型主要包括四个子模块：Knowledge layer、Embedding layer、Seeing layer和Mask]]></description><category></category></item><item><title><![CDATA[论文解读：KGNN: Knowledge Graph Neural Network for Drug-Drug Interaction Prediction]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/115369082</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/115369082</guid><author>mysky54</author><pubDate>Thu, 01 Apr 2021 11:14:36 +0800</pubDate><description><![CDATA[一、背景
药物间的相互作用(DDI)是指同时或先后服用两种或两种以上药物时，药物之间所产生的相互作用，而该相互作用可能会导致意想不到的副作用。
总结归纳现有DDI预测方法，大致可分为两大类。一类是分子表示，主要聚焦于药物分子的特征学习。这类方法都基于同样的假设：即具有相似嵌入表示的药物分子将会表现出相似的DDI。
另一类常用的DDI预测方法是基于网络嵌入的方法，通过构建各种与药物有关的生物网络，在这个网络中，将药物看作网络中的节点，通过学习节点的嵌入表示来预测潜在的边，即DDI的关系。构建映射关系网络也有多]]></description><category></category></item><item><title><![CDATA[解决maven报错JAVA_HOME should point to a JDK not a JRE]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/109104393</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/109104393</guid><author>mysky54</author><pubDate>Thu, 15 Oct 2020 20:08:38 +0800</pubDate><description><![CDATA[在mavem目录bin目录下找到mvn.cmd文件使用记事本打开
在文件第一行输入set JAVA_HOME=D:\eclipse\jdk（此处为你的Jdk所在位置）

]]></description><category></category></item><item><title><![CDATA[protege利用Cellfie导入数据]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/108033813</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/108033813</guid><author>mysky54</author><pubDate>Sun, 16 Aug 2020 11:23:35 +0800</pubDate><description><![CDATA[在进行本体建模的过程中需要批量导入数据到protege，其内置模块Cellfie可以帮助我们实现这一过程，期间需要用到Transformation Rules，其语法规则需要遵循MappingMaster DSL。在对Cellfie官方文档链接：https://github.com/protegeproject/mapping-master/wiki/MappingMasterDSL
MappingMaster使用领域特定语言（DSL）定义从电子表格内容到OWL本体的映射。该语言基于曼彻斯特OWL语法，改语]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第八周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/106697299</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/106697299</guid><author>mysky54</author><pubDate>Thu, 11 Jun 2020 21:48:17 +0800</pubDate><description><![CDATA[一、理论基础
聚类
1、无监督学习
在非监督学习中，我们需要将一系列无标签的训练数据，输入到一个算法中，然后我们告诉这个算法，快去为我们找找这个数据的内在结构给定数据。我们可能需要某种算法帮助我们寻找一种结构。
2、K-均值算法
K-均值是最普及的聚类算法，算法接受一个未标记的数据集，然后将数据聚类成不同的组。K-均值是一个迭代算法，假设我们想要将数据聚类成 n 个组，其方法为:
首先选择????个随机的点，称为聚类中心（cluster centroids）；
对于数据集中的每一个数据，按照距离????个中]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第七周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/106586593</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/106586593</guid><author>mysky54</author><pubDate>Sat, 06 Jun 2020 14:15:58 +0800</pubDate><description><![CDATA[支持向量机(SVM，Support Vector Machine)
一、理论基础
1.优化目标

解释：可以去掉常数项1/m，因为它并不影响我们最小化θ的取值
与逻辑回归不同的是，支持向量机不会输出概率，当最小化代价函数，获得
参数????时，支持向量机所做的是它来直接预测????的值等于 1，还是等于 0。
2.大边界的直观理解
支持向量机有时被称为大间距分类器
考察这样一个数据集，其中有正样本，也有负样本，可以看到这个数据集是线性可分的。存在一条直线把正负样本分开。当然有多条不同的直线，可以把正样本和负]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第六周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105818982</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105818982</guid><author>mysky54</author><pubDate>Tue, 28 Apr 2020 17:42:10 +0800</pubDate><description><![CDATA[一、理论基础
1. 评估一个假设
为了检验算法是否过拟合，我们将数据分成训练集和测试集，通常用 70%的数据作为训练集，用剩下 30%的数据作为测试集（训练集和测试集均要含有各种类型的数据，所以要对数据进行“洗牌”，然后再分成训练集和测试集）。
2. 模型选择和交叉验证集
使用交叉验证集来择一个更能适应一般情况的模型，即：使用 60%的数据作为训练集，使用 20%的数据作为交叉验证集，使用 20%...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第五周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105716024</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105716024</guid><author>mysky54</author><pubDate>Thu, 23 Apr 2020 20:37:01 +0800</pubDate><description><![CDATA[神经网络的学习
一、理论基础
1. 代价函数
假设神经网络的训练样本有????个，每个包含一组输入????和一组输出信号????，????表示神经网络层数，????????表示每层的 neuron 个数(????????表示输出层神经元个数)，????????代表最后一层中处理单元的个数。
将神经网络的分类定义为两种情况：二类分类和多类分类


regularized logistic regression cost function：

在神经网络中，我...]]></description><category></category></item><item><title><![CDATA[protege5.5中如何添加SWRL]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105704681</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105704681</guid><author>mysky54</author><pubDate>Thu, 23 Apr 2020 12:26:42 +0800</pubDate><description><![CDATA[swrl规则如何创建？？？
对于4.1前的版本：下载swrltab
对于4以后的protege暂时还没有对相应的swrltab插件，可以这样做：
windows→views→ontology views→rules


]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第四周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105441352</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105441352</guid><author>mysky54</author><pubDate>Fri, 10 Apr 2020 21:55:37 +0800</pubDate><description><![CDATA[##吴恩达机器学习第四周学习笔记及编程作业答案
一、理论基础
1.  神经网络
非线性假设
当特征太多时，计算的负荷会非常大，这时可以使用非线性的多项式项，能够帮助我们建立更好的分类模型。
1.1 模型表示
第一层成为输入层（Input Layer），最后一层称为输出层（Output Layer），中间一层成为隐藏层（Hidden Layers）。我们为每一层都增加一个偏差单位（bias unit...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第三周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105419648</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105419648</guid><author>mysky54</author><pubDate>Thu, 09 Apr 2020 22:59:50 +0800</pubDate><description><![CDATA[吴恩达机器学习第三周学习笔记及编程作业答案
一、理论基础
逻辑回归(Logistic Regression)
1.  分类问题
我们将因变量(dependent variable)可能属于的两个类分别称为负向类和正向类，其中 0 表示负向类，1 表示正向类


逻辑回归算法的性质是：它的输出值永远在 0 到 1 之间，逻辑回归算法实际上是一种分类算法。
2.  假说表示
逻辑回归模型的假设是：其中...]]></description><category></category></item><item><title><![CDATA[吴恩达机器学习第二周学习笔记及编程作业答案]]></title><link>https://blog.youkuaiyun.com/mysky54/article/details/105404795</link><guid>https://blog.youkuaiyun.com/mysky54/article/details/105404795</guid><author>mysky54</author><pubDate>Thu, 09 Apr 2020 18:09:17 +0800</pubDate><description><![CDATA[吴恩达机器学习第二周学习笔记及编程作业答案
一、理论基础
1、机器学习定义：一个程序被认为能从经验 E 中学习，解决任务 T，达到性能度量值P，当且仅当，有了经验 E 后，经过 P 评判，程序在处理 T 时的性能有所提升
机器学习都可以分为两大类：监督学习；无监督学习。
监督学习：在监督学习中，我们会得到一个数据集，并且已经知道我们的正确输出应该是什么样子的，因为我们认为输入和输出之间是有关系的。...]]></description><category></category></item></channel></rss>