
知识图谱
火星种萝卜
c++ vc mfc java
展开
专栏收录文章
- 默认排序
- 最新发布
- 最早发布
- 最多阅读
- 最少阅读
-
大话知识图谱--意图识别和槽位填充
大话知识图谱--意图识别和槽位填充 - 知乎转载 2022-01-20 15:07:21 · 1422 阅读 · 0 评论 -
图的度 知识图谱的一度关系 几度关系
二、简述图的度(Degree)、入度(Indegree)和出度(Outdegree)的概念。1.对于无向图,顶点v的度是指和v相关联的边的数目。2.对于有向图,以顶点v为头的弧的数目称为v的入度,记作ID(v)。3.以顶点v为尾的弧的数目称为v的出度,记作OD(v)。(出度到v)二、简述图的度(Degree)、入度(Indegree)和出度(Outdegree)的概念。 - 问题库...转载 2022-01-08 16:43:03 · 5707 阅读 · 2 评论 -
从ReLU到GELU,一文概览神经网络的激活函数
https://baijiahao.baidu.com/s?id=1653421414340022957&wfr=spider&for=pc转载 2021-08-06 19:16:49 · 287 阅读 · 0 评论 -
研读pytorch版本的BERT分类代码
https://blog.youkuaiyun.com/weixin_41580638/article/details/89315153转载 2021-08-06 19:07:43 · 155 阅读 · 0 评论 -
词向量之BERT 结构
QNLI:用于判断文本是否包含问题的答案,类似于我们做阅读理解定位问题所在的段落。(d)命名实体识别CoNLL-2003 NER:判断一个句子中的单词是不是Person,Organization,Location,Miscellaneous或者other(无命名实体)。微调CoNLL-2003 NER时将整个句子作为输入,在每个时间片输出一个概率,并通过softmax得到这个Token的实体类别。(c)问答任务SQuAD v1.1:给定一个句子(通常是一个问题)和一段描述文本,输出这个问题转载 2021-08-06 07:47:56 · 154 阅读 · 0 评论 -
xiaolu代码的博客
https://zhuanlan.zhihu.com/p/56386373转载 2021-08-06 00:08:28 · 81 阅读 · 0 评论 -
BERT源码阅读
https://zhuanlan.zhihu.com/p/394780960转载 2021-08-05 23:36:12 · 70 阅读 · 0 评论 -
pytorch+bert NER任务踩坑记录
https://zhuanlan.zhihu.com/p/295248694转载 2021-08-05 23:09:37 · 837 阅读 · 0 评论 -
BERT 预训练模型及文本分类(情感分类)
https://www.cnblogs.com/wwj99/p/12283799.html转载 2021-08-04 23:47:24 · 805 阅读 · 0 评论 -
关键短语抽取及使用BERT-CRF的技术实践
BERT[23]是非常优质的预训练模型,包含了很多预训练语料中蕴含的外部知识和信息。我们以此为基础,训练BERT-CRF模型,作为candidate generation中重要的一路召回。另外的召回路包括基于模板 (pattern)和基于POS tags的NP抽取系统。CRF[12]是序列标注的经典方法,其核心思想是在进行序列标注时,把序列上的各个点当做一个整体来处理,而不是一个个独立的点,各个点的标注结果是有一定依赖关系的,以路径为单位进行训练。因此,通过训练,模型能在理解文本以外,还能理解输出序列的规则转载 2021-08-04 22:52:20 · 1112 阅读 · 0 评论 -
bert+crf可以做NER,那么为什么还有bert+bi-lstm+crf ?
我在自己人工标注的一份特定领域的数据集上跑过,加上bert确实会比只用固定的词向量要好一些,即使只用BERT加一个softmax层都比不用bert的bilstm+crf强。而bert+bilstm+crf和bert+crf两者差别不大,甚至有时不加bilstm比加上效果要好,在调整学习率取最优结果的情况下,加上bilstm的稍好一点。https://www.zhihu.com/question/398672104/answer/1263180722https://www.zhihu.com...转载 2021-08-04 22:31:16 · 1265 阅读 · 0 评论 -
一文学会Pytorch版本BERT使用
https://zhuanlan.zhihu.com/p/113639892转载 2021-08-04 11:11:21 · 117 阅读 · 0 评论 -
pytorch中Schedule与warmup_steps的用法
https://blog.youkuaiyun.com/angel_hben/article/details/104538634转载 2021-08-04 10:47:37 · 776 阅读 · 0 评论 -
Pytorch BiLSTM + CRF做NER
https://zhuanlan.zhihu.com/p/59845590转载 2021-08-04 09:43:18 · 97 阅读 · 0 评论 -
命名实体识别NER & 如何使用BERT实现
https://blog.youkuaiyun.com/qq_27586341/article/details/103062651转载 2021-08-04 09:32:36 · 275 阅读 · 0 评论 -
ner pytorch project code
https://github.com/shawroad/NLP_pytorch_project转载 2021-08-04 09:18:11 · 113 阅读 · 0 评论 -
bert+lstm+crf ner实体识别
https://blog.youkuaiyun.com/weixin_42357472/article/details/108010305转载 2021-08-03 23:37:07 · 444 阅读 · 0 评论 -
BERT CRF NER
https://zhuanlan.zhihu.com/p/273594019转载 2021-08-03 23:24:34 · 150 阅读 · 0 评论 -
ADAM优化算法
https://www.zhihu.com/question/323747423转载 2021-08-03 18:46:24 · 100 阅读 · 0 评论 -
pytorch实现BiLSTM+CRF用于NER(命名实体识别)
https://blog.youkuaiyun.com/zycxnanwang/article/details/90385259转载 2021-08-03 11:26:20 · 511 阅读 · 0 评论 -
五分钟搭建一个基于BERT的NER模型
https://www.jianshu.com/p/1d6689851622转载 2021-08-03 11:24:02 · 327 阅读 · 0 评论 -
【文本信息抽取与结构化】详聊如何用BERT实现关系抽取
https://mp.weixin.qq.com/s?__biz=MzA3NDIyMjM1NA%3D%3D&chksm=8712ab8db065229bc8ea68f94332be9e03a06eb54b84c42d7e1ce8dc3d366a7e03035d0e3ae1&idx=1&mid=2649036272&scene=21&sn=3ce6800462c6ea8d911909489bef4ed0#wechat_redirect转载 2021-08-03 11:18:25 · 245 阅读 · 0 评论 -
python3.8安装tensorflow1.14时候报错Can‘t connect to HTTPS URL because the SSL module is not available
python3.8安装tensorflow1.14做NER对应源码pip install --upgrade https://storage.googleapis.com/tensorflow/mac/cpu/tensorflow-1.14.0-py3-none-any.whlhttps://blog.youkuaiyun.com/znevegiveup1/article/details/112973922?utm_medium=distribute.pc_relevant.none-task-blog-2%7E.转载 2021-05-15 22:51:20 · 403 阅读 · 0 评论 -
基于知识图谱、认知推理、逻辑表达的认知图谱,则被越来越多的国内外学者和产业领袖认为是 “目前可以突破这一技术瓶颈的可行解决方案之一
当前的 AI 缺少信息进入 “大脑” 后的加工、理解和思考等,做的只是相对简单的比对和识别,仅仅停留在 “感知” 阶段,而非 “认知”,以感知智能技术为主的 AI 还与人类智能相差甚远。究其原因在于,AI 正面临着制约其向前发展的瓶颈问题:大规模常识知识库与基于认知的逻辑推理。而基于知识图谱、认知推理、逻辑表达的认知图谱,则被越来越多的国内外学者和产业领袖认为是 “目前可以突破这一技术瓶颈的可行解决方案之一”https://mbd.baidu.com/newspage/data/landing.转载 2021-05-12 20:40:49 · 244 阅读 · 0 评论 -
bert+lstm+crf ner实体识别 带源码
https://blog.youkuaiyun.com/weixin_42357472/article/details/108010305转载 2021-04-29 16:26:00 · 480 阅读 · 0 评论 -
知识图谱讲的质量不错的文章 魔图互联
http://motuhulian.com/Knowledge-Graph-1/转载 2021-04-20 20:35:19 · 99 阅读 · 0 评论 -
讲解知识图谱成体系文章 (魔图互联知识图谱写的质量比较高的)
http://motuhulian.com/Knowledge-Graph-4/#_4转载 2021-04-20 18:05:43 · 115 阅读 · 0 评论 -
spacy教程学习
https://article.itxueyuan.com/ZoKKdk转载 2021-04-20 17:28:55 · 325 阅读 · 0 评论 -
中文实体识别最新SOTA算法
https://zhuanlan.zhihu.com/p/346406587转载 2021-04-20 16:15:07 · 884 阅读 · 0 评论 -
datacamp自然语言处理免费教程
https://campus.datacamp.com/courses/introduction-to-natural-language-processing-in-python/regular-expressions-word-tokenization?ex=1#转载 2021-04-20 13:27:10 · 294 阅读 · 0 评论 -
spacy如何安装最匹配的版本正规文档en_core_web
https://pypi.org/project/spacy/转载 2021-04-20 10:03:03 · 2550 阅读 · 1 评论 -
pip install 时报错 ERROR: Could not install packages due to an EnvironmentError: [WinError 5]
pip install 时报错 ERROR: Could not install packages due to an EnvironmentError: [WinError 5] 拒绝访问(已解决)https://blog.youkuaiyun.com/weixin_44827418/article/details/105443681spacy库的三种安装方法,推荐第二种https://blog.youkuaiyun.com/zhangf666/article/details/78527081...转载 2021-04-19 20:57:34 · 1036 阅读 · 0 评论 -
从文本中提取知识图谱代码比较好的,代码对齐,可以使用的
https://blog.youkuaiyun.com/fendouaini/article/details/102987373转载 2021-04-19 16:57:20 · 570 阅读 · 0 评论 -
Cant find model en_core_web_sm
https://blog.youkuaiyun.com/littlehaes/article/details/106623308转载 2021-04-18 21:11:37 · 967 阅读 · 0 评论 -
spacy spaCy主要功能包括分词、词性标注、词干化、命名实体识别、名词短语提取等等
spaCy主要功能包括分词、词性标注、词干化、命名实体识别、名词短语提取等等https://zhuanlan.zhihu.com/p/51425975转载 2021-04-18 16:19:33 · 2366 阅读 · 0 评论 -
neo4j修改密码
登陆neo4jhttp://localhost:7474在命令行执行:server change-passwordhttps://blog.youkuaiyun.com/weixin_47542175/article/details/115341887转载 2021-04-18 16:02:14 · 387 阅读 · 0 评论 -
THULAC:一个高效的中文词法分析工具包 清华孙茂松老师分享
软件简介THULAC(THU Lexical Analyzer for Chinese)由清华大学自然语言处理与社会人文计算实验室研制推出的一套中文词法分析工具包,具有中文分词和词性标注功能。THULAC具有如下几个特点: 能力强。利用我们集成的目前世界上规模最大的人工分词和词性标注中文语料库(约含5800万字)训练而成,模型标注能力强大。 准确率高。该工具包在标准数据集Chinese Treebank(CTB5)上分词的F1值可达97.3%,词性标注的F1值可达到92.9%,与该数据集转载 2021-04-18 11:58:23 · 771 阅读 · 0 评论 -
知识图谱上中下系列
https://zhuanlan.zhihu.com/p/77467615转载 2021-04-18 11:44:11 · 89 阅读 · 0 评论 -
知识图谱项目实战
https://zhuanlan.zhihu.com/p/29332977转载 2021-04-17 21:38:49 · 377 阅读 · 0 评论 -
python从零基础构建知识图谱(从文章抽取主谓宾构成)
https://zhuanlan.zhihu.com/p/243211697转载 2021-04-17 21:28:55 · 1436 阅读 · 0 评论