<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sydney__的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sydney__</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sydney__]]></copyright><item><title><![CDATA[nlp深度学习代码总结--pytoch]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119852337</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119852337</guid><author>sydney__</author><pubDate>Sun, 22 Aug 2021 14:32:18 +0800</pubDate><description><![CDATA[代码总结
文本清洗
去除网址
def remove_URL(text):
    url = re.compile(r'https?://\S+|www\.\S+')
    return url.sub(r'', text)

去除表情符号
def remove_emoji(text):
    emoji_pattern = re.compile(
        '['
        u'\U0001F600-\U0001F64F'  # emoticons
        u'\U0001F300]]></description><category></category></item><item><title><![CDATA[SPRM--笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119507694</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119507694</guid><author>sydney__</author><pubDate>Sun, 08 Aug 2021 09:35:40 +0800</pubDate><description><![CDATA[论文题目：《A Shared-Private Representation Model with Coarse-to-Fine Extraction for Target Sentiment Analysis》

这篇文章主要是对span-based模型的改进，先回顾下span-based模型，其先是预测起止点概率，再是利用广度启发式算法选择多个目标实体，收集其起始和结束位置，然后是根据起止位置提取隐藏状态进行极性预测
本篇论文作者提出其目标实体提取与极性分类之间的关系没有得到很好地利用，同时设置阈值提出.]]></description><category></category></item><item><title><![CDATA[aspect-polarity co-extraction小记录]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119494301</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119494301</guid><author>sydney__</author><pubDate>Sat, 07 Aug 2021 22:50:02 +0800</pubDate><description><![CDATA[aspect-polarity co-extraction是将目标实体识别与情感极性分类两个任务结合，目前对这个任务的研究通常都是转换为序列标记问题，具体有三种不同的模型pipeline model,  joint model,  collapsed
model。pipeline的解决办法是先搭建一个模型提取实体，再用另一模型判断极性，两个任务模型相互独立， collapsed是将两种标注任务结合，一起判断，joint是设置两个相互间交互的模型来进行标注任务,分别输出各自标签体系。

E2E-TBSA:《A]]></description><category></category></item><item><title><![CDATA[SPAN--笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119489041</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119489041</guid><author>sydney__</author><pubDate>Sat, 07 Aug 2021 16:52:35 +0800</pubDate><description><![CDATA[论文题目：《Open-Domain Targeted Sentiment Analysis via Span-Based Extraction and Classification》

这篇论文研究的任务依然是方面词实体提取和情感极性判断，其主要针对的点是同一实体词不同单词的情感极性不一致问题，引入了SPAN概念
首先提一下目前对这个任务的研究通常都是转换为序列标记问题，具体有三种不同的模型pipeline model,  joint model,  collapsed
model。pipeline的解决.]]></description><category></category></item><item><title><![CDATA[《GRACE: Gradient Harmonized and Cascaded Labeling for Aspect-based Sentiment Analysis》阅读笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119359812</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119359812</guid><author>sydney__</author><pubDate>Tue, 03 Aug 2021 21:46:09 +0800</pubDate><description><![CDATA[GRACE
论文题目： 《GRACE: Gradient Harmonized and Cascaded Labeling for Aspect-based Sentiment Analysis》

本文研究对象是方面术语与情感极性的联合抽取，作者提出以前的方法忽略了方面术语之间的相互作用，同时忽略了序列标记任务中标签的不平衡性。针对这两个问题提出新的框架GRACE，解决端到端的方面项极性共提取问题。它采用级联标签的方法来考虑标签之间的相互作用时，标签他们的情感标签同时梯度协调策略来缓解标签的不平衡问题
模]]></description><category></category></item><item><title><![CDATA[《Exploiting BERT for End-to-End Aspect-based Sentiment Analysis》笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119241291</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119241291</guid><author>sydney__</author><pubDate>Fri, 30 Jul 2021 11:00:24 +0800</pubDate><description><![CDATA[论文题目：Exploiting BERT for End-to-End Aspect-based Sentiment Analysis

文章主要是研究bert在端对端的ABSA序列标注任务中的作用，同时在使用Bert的基础上还实验了多个下游任务模型，值得注意的是得到的结果已经超出当时的 SOTA (可见bert的强大)，过程如下。


整个模型框架如上，输入序列 x={x1,...,xT}x=\{x_1,...,x_T\}x={x1​,...,xT​}​​ 首先用bert来计算对应的上下文表示得到 HL.]]></description><category></category></item><item><title><![CDATA[《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119221774</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119221774</guid><author>sydney__</author><pubDate>Thu, 29 Jul 2021 22:02:16 +0800</pubDate><description><![CDATA[论文题目：《Knowing What, How and Why: A Near Complete Solution for Aspect-based Sentiment Analysis》


首先作者围绕上图总结了下目前细粒度情感分析的一些任务，主要有三个子任务，分别是方面/目标词提取（ATE），意见项提取（OTE），方面/目标项情感分类（ATC），中间层的每个圆圈表示对应的一个直接子任务，与aspect term相连的圆圈"sentiment"是ATC，有许多相关的研究，包括TD-LSTM,IAN,Me]]></description><category></category></item><item><title><![CDATA[《Investigating Typed Syntactic Dependencies for TSC Using GAT》论文笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119188361</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119188361</guid><author>sydney__</author><pubDate>Wed, 28 Jul 2021 19:47:45 +0800</pubDate><description><![CDATA[论文题目：Investigating Typed Syntactic Dependencies for Targeted Sentiment Classification Using Graph Attention Neural Network

概览
该文章认为依存句法信息能作为一种外部有用知识帮模型找到 目标对应的情感词，依存句法信息即对句子建立的语法图，比如下图

该文章就利用了这种单词之间的关系来帮助衡量上下文单词对目标单词的重要性，其主要研究的是如何利用语法依存关系来进行更有针对性的情感分类，提.]]></description><category></category></item><item><title><![CDATA[TNet--阅读笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119115893</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119115893</guid><author>sydney__</author><pubDate>Mon, 26 Jul 2021 18:43:07 +0800</pubDate><description><![CDATA[《Transformation Networks for Target-Oriented Sentiment Classification》笔记
论文题目：Transformation Networks for Target-Oriented Sentiment Classification
论文链接：https://aclanthology.org/P18-1087
知乎链接：https://zhuanlan.zhihu.com/p/393348516
这篇是18年ACL上的文章，提出Tnet模型，当前对]]></description><category></category></item><item><title><![CDATA[RAM--阅读笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/119078686</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/119078686</guid><author>sydney__</author><pubDate>Sun, 25 Jul 2021 10:47:39 +0800</pubDate><description><![CDATA[《Recurrent Attention Network on Memory for Aspect Sentiment Analysis》笔记
论文题目：《Recurrent Attention Network on Memory for Aspect Sentiment Analysis》
论文链接：https://aclanthology.org/D17-1047

论文采用了多级注意力机制以及记忆网络，对于以往提出的网络，都不能很好提取综合较分散的特征信息，例如：“Except Patrick, al]]></description><category></category></item><item><title><![CDATA[《targeted-ABSA via Embedding Commonsense Knowledge into an Attentive LSTM》阅读笔记]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/118945771</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/118945771</guid><author>sydney__</author><pubDate>Tue, 20 Jul 2021 23:04:49 +0800</pubDate><description><![CDATA[论文：《Targeted Aspect-Based Sentiment Analysis via Embedding Commonsense Knowledge into an Attentive LSTM》(AAAI2018)
论文链接：https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/viewPDFInterstitial/16541/16152
文章首先对以往的基于方面的情感分析方法进行了一个简单回顾，提出了存在的几个问题：
（1）现有的研究都.]]></description><category></category></item><item><title><![CDATA[PCA算法实现]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115802128</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115802128</guid><author>sydney__</author><pubDate>Sat, 17 Apr 2021 21:27:17 +0800</pubDate><description><![CDATA[PCA实现
PCA即主成分分析算法,目的是降低数据的维度,直观来说就是减少数据的特征数量(不是丢弃特征)

第一步是均值归一化,计算出所有特征的均值，然后将每个X的值减去均值,如果特征是在不同的数量级上，还需要除以标准差

    #将特征均值归一化
    X = (X - X.mean()) / X.std()



第二步是计算协方差矩阵
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jCxf54pP-1618665953705)(PCA算法实现.assets/wps3]]></description><category></category></item><item><title><![CDATA[k-means简单实现]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115801759</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115801759</guid><author>sydney__</author><pubDate>Sat, 17 Apr 2021 21:11:45 +0800</pubDate><description><![CDATA[k-means简单实现
k-means算法是典型的无监督式聚类算法，目的是将数据自动分为多个组别，如下图数据的分布以及k均值聚类后得到的结果

算法内容


选择k个点，作为初始的聚类中心

k的选择大多情况下认为给定,无法给定时可尝试多个k值分析得到恰当的k值



遍历每个数据点,将其与其距离最近的中心点归为一类


计算每一类别的均值


将均值设为新的中心点


再反复上过程


可见该算法为迭代算法
算法实现

拿到数据集,先画图观察

def Draw(data):
    data1 = pd]]></description><category></category></item><item><title><![CDATA[csapp学习笔记二----机器级表示]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115343234</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115343234</guid><author>sydney__</author><pubDate>Wed, 31 Mar 2021 09:57:28 +0800</pubDate><description><![CDATA[机器级表示
这一章主要是要理解汇编代码，以及如何将高级语言转换为汇编语言
程序编码
数据格式

一个x86-64中央处理器包含一组16个存储64位值的通用寄存器
有不同的寻址方式

数据传送
寄存器传送
寄存器可传送6个整形参数

%rdi  %rsi  %rdx  %rcx  %r8  %r9

7~n的参数存放在栈上，对于寄存器不足够存放所有的本地数据，局部变量使用“&amp;”或是数组结构必须存放在内存里
【举例1】
swap_add(&amp;arg1, &amp;arg2)
    
long s]]></description><category></category></item><item><title><![CDATA[csapp学习笔记一----信息表示与处理]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115343128</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115343128</guid><author>sydney__</author><pubDate>Wed, 31 Mar 2021 09:53:04 +0800</pubDate><description><![CDATA[信息表示与处理
这一章节的重要点是掌握数据在的存储形式，特别是浮点数的存储原理。
小端与大端表示法
小端表示法即将字节的低位保存到内存的低地址，字节的高位保存到内存的高地址
大端表示法则相反，字节的高位保存在内存的低地址

注意目前大多Intel机器都采用小端模式

字符串表示
注意C语言字符串是ASCII编码，而ASCII编码具有平台独立性，因为其字节顺序一定，始终是从地位地址开始存起
逻辑运算与位运算
逻辑运算符：||，&amp;&amp;，！
位运算：|，&amp;
移位运算：&gt;&gt;

不要]]></description><category></category></item><item><title><![CDATA[数据结构面试知识点概览]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115322886</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115322886</guid><author>sydney__</author><pubDate>Tue, 30 Mar 2021 13:10:33 +0800</pubDate><description><![CDATA[文章目录数据结构分治算法布隆过滤器一致id生成器KNN分类算法加密算法分布式一致性算法一致性哈希字典序算法哈希表解决冲突扩容机制树完全二叉树二叉搜索树AVL红黑树B树B+树Trie树图图的遍历最短路径算法最小生成树排序快排并查集贪心算法和动态规划字符串字符串查找
数据结构
分治算法
1）计算大数乘法
2）找最大最小值
3）寻找中位数
布隆过滤器
用于检索一个元素是否在一个集合中
数据结构为位图，多个哈希函数，计算出多个哈希值，将相应的哈希值置为1，判断时计算相应的哈希值得到K个值，判断相应K个值的位置上是否]]></description><category></category></item><item><title><![CDATA[编译原理面试知识点概览]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115322788</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115322788</guid><author>sydney__</author><pubDate>Tue, 30 Mar 2021 13:09:09 +0800</pubDate><description><![CDATA[文章目录编译原理一个编译器的结构词法分析语法分析自顶向下分析--LL1文法自底向上分析--LR分析法语义分析语法制导定义SDD语法制导翻译方案中间代码生成机器无关代码优化代码生成机器相关代码优化概念文法和语言面试问题设计编译器，并优化大数据编译器的优化设计算法减少代码编译过程能耗面试问题设计编译器，并优化大数据编译器的优化设计算法减少代码编译过程能耗
编译原理
一个编译器的结构

词法分析
读入组成源程序的字符流，输出词法单元
1）有穷自动机
​	确定的FA–DFA ；非确定的FA–NFA
语法分析
在词法]]></description><category></category></item><item><title><![CDATA[数据库面试知识点概览]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/115322721</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/115322721</guid><author>sydney__</author><pubDate>Tue, 30 Mar 2021 13:00:20 +0800</pubDate><description><![CDATA[文章目录数据库数据库管理系统数据库管理系统的功能数据库系统结构数据库系统的标准结构数据模型关系模型关系模型概念关系模型中的完整性约束数据库完整性和安全性Sql约束数据库安全性嵌入式语言视图游标api数据库设计数据库设计过程与设计方法关系模式设计数据库范式模式分解考虑的问题无损连接分解及其检验算法保持依赖分解及其检验算法最小依赖集数据库存储磁盘的结构和特性DBMS数据存储与查询实现的基本思想数据库表与记录的映射文件组织方法事务什么是事务ACID特性数据库索引索引索引的简单分类并发控制并发一致性问题事务调度及可]]></description><category></category></item><item><title><![CDATA[Linux内核进程调度]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/104830226</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/104830226</guid><author>sydney__</author><pubDate>Thu, 12 Mar 2020 22:34:55 +0800</pubDate><description><![CDATA[计算机方面总是这样你以为你都知道其实可能还有很多不知道，怂了怂了
学操作系统的时候老师经常会讲先进先出呀，优先级调度呀，多级队列呀等等策略，他们都有自己的适用场景，因为Linux内核里有不同类型的进程，所以就要结合多个策略，其内部进程大体可分为实时进程，非实时进程，非实时进程又可分为批处理进程，交互式进程等，对于实时进程就主要采用先进先出，轮转调度；所有非实时进程在Linux里都使用CFS调度，即...]]></description><category></category></item><item><title><![CDATA[c++11原子量atomic]]></title><link>https://blog.youkuaiyun.com/sydney__/article/details/104242481</link><guid>https://blog.youkuaiyun.com/sydney__/article/details/104242481</guid><author>sydney__</author><pubDate>Sun, 09 Feb 2020 23:32:23 +0800</pubDate><description><![CDATA[由于一种没来由的好奇，花了一下午理解了下c++11新增的原子量特性，感觉网上大多数文章都没讲清楚。写下我的一些理解
首先来看什么是原子操作以及为什么引进它
概述
在多线程模式下为了保证线程安全，我们通常做法是给共享资源加互斥锁，在一段时间只能有一个线程访问并操作共享资源，其他线程都会阻塞，在一些对性能要求很高的情况下可能加锁就显得有点过重，可能会造成性能瓶颈，于是就想出能不能在汇编层面让系统自己能...]]></description><category></category></item></channel></rss>