<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zerozzl01的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zerozzl01</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zerozzl01]]></copyright><item><title><![CDATA[谨防AI诈骗！北大、华为联合发布了 AI 生成文本检测方法]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/131054423</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/131054423</guid><author>zerozzl01</author><pubDate>Mon, 05 Jun 2023 19:18:29 +0800</pubDate><description><![CDATA[谨防AI诈骗！北大、华为联合发布了 AI 生成文本检测方法]]></description><category></category></item><item><title><![CDATA[Centos7安装CUDA10.2]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/126891457</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/126891457</guid><author>zerozzl01</author><pubDate>Fri, 16 Sep 2022 16:52:14 +0800</pubDate><description><![CDATA[Centos7安装CUDA10.2]]></description><category></category></item><item><title><![CDATA[Centos7修改系统默认启动项]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/123046768</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/123046768</guid><author>zerozzl01</author><pubDate>Mon, 21 Feb 2022 14:37:59 +0800</pubDate><description><![CDATA[查看/boot/grub2/grub.cfg里面的系统启动项

方法一：

查看当前系统默认启动项

grub2-editenv list

设置默认启动项

grub2-set-default "CentOS Linux (3.10.0-957.el7.x86_64) 7 (Core)"

检查当前系统默认启动项

grub2-editenv list

方法二：

编辑/etc/default/grub



注释GRUB_DEFAULT=saved，设置GRUB_DEFAULT="CentOS Lin]]></description><category></category></item><item><title><![CDATA[机器阅读理解学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/118468154</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/118468154</guid><author>zerozzl01</author><pubDate>Sat, 16 Oct 2021 15:19:36 +0800</pubDate><description><![CDATA[================================================================================================

ACL 2018：Simple and Effective Multi-Paragraph Reading Comprehension

=========================================================================================]]></description><category></category></item><item><title><![CDATA[文本分类学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/120361065</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/120361065</guid><author>zerozzl01</author><pubDate>Tue, 05 Oct 2021 15:48:00 +0800</pubDate><description><![CDATA[1 文本分类概述

1.1 简介

文本分类。

3 论文笔记

================================================================================================

ACL 2017：Bag of Tricks for Efficient Text Classification

==================================================================.]]></description><category></category></item><item><title><![CDATA[词性标注学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/120251144</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/120251144</guid><author>zerozzl01</author><pubDate>Fri, 17 Sep 2021 16:56:01 +0800</pubDate><description><![CDATA[1 词性标注概述

1.1 简介

词性（Par-Of-Speech，Pos）是词汇基本的语法属性，通常也称为词类。词性标注就是在给定句子中判定每个词的语法范畴，确定其词性并加以标注的过程。

1.2 难点

1）汉语是一种缺乏词形态变化的语言，词的类别不能像印欧语那样，直接从词的形态变化上来判别。

2）常用词兼类现象严重，具有多个词性的兼类词的占比高达22.5%。而且越是常用的词，多词性的现象越严重。

3）词性划分标准不统一。词类划分粒度和标记符号等，目前还没有一个广泛认可的统一的标准。比如LDC标注]]></description><category></category></item><item><title><![CDATA[开放领域问答学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/118437239</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/118437239</guid><author>zerozzl01</author><pubDate>Tue, 31 Aug 2021 18:22:38 +0800</pubDate><description><![CDATA[1 开放领域问答概述

1.1 简介

开放领域问答（Open-domain question answer, QA），即使用大量不同主题的文档来回答问题，是自然语言处理（NLP）、信息检索（IR）和相关领域长期研究的主题。传统的QA系统通常构建为一个pipeline，由许多不同的组件组成，如问题处理、文档/文章检索和答案处理。随着深度学习的快速发展，现代开放域QA系统通过结合传统IR技术和深度学习模型重构，甚至完全以端到端方式实现。

1.2技术方案

当前开放域问答的技术方案可以主要分为三大类：

..]]></description><category></category></item><item><title><![CDATA[命名实体识别学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/119239945</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/119239945</guid><author>zerozzl01</author><pubDate>Sat, 14 Aug 2021 10:48:23 +0800</pubDate><description><![CDATA[================================================================================================

ACL 2017：Fast and Accurate Entity Recognition with Iterated Dilated Convolutions
=============================================================================]]></description><category></category></item><item><title><![CDATA[对话状态跟踪学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/112215175</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/112215175</guid><author>zerozzl01</author><pubDate>Sat, 30 Jan 2021 15:37:14 +0800</pubDate><description><![CDATA[================================================================================================

ACL 2019：Transferable Multi-Domain State Generator for Task-Oriented Dialogue Systems

=======================================================================]]></description><category></category></item><item><title><![CDATA[实体关系抽取学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/109269604</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/109269604</guid><author>zerozzl01</author><pubDate>Tue, 08 Dec 2020 18:26:13 +0800</pubDate><description><![CDATA[1 关系抽取概述

1.1 简介

关系抽取可分为全局关系抽取与提及关系抽取。全局关系抽取基于一个很大的语料库，抽取其中所有关系对，而提及关系抽取，则是判断一句话中，一个实体对是否存在关系，存在哪种关系的工作。

常见的关系抽取结果可以用SPO结构的三元组来表示，即 (Subject, Predication, Object)，如：中国的首都是北京 ==&gt; (中国, 首都, 北京)

关系抽取的分类：

是否有确定的关系集合：

限定关系抽取：事先确定好所有需要抽取的关系集合，则可讲关系抽取看作是一中]]></description><category></category></item><item><title><![CDATA[中文分词学习笔记]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/109254512</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/109254512</guid><author>zerozzl01</author><pubDate>Sat, 24 Oct 2020 17:10:05 +0800</pubDate><description><![CDATA[1 中文分词概述

1.1 简介

定义

通过计算机自动识别出句子中的词，在词间加入边界标记符，分隔出各个词汇。

为什么需要中文分词？因为，汉语中，书面上以字为基本单位，语义上以词为基本单位。

难点

1）没有统一的分词标准，不同的领域对于词的划分方式有不同的标准。

2）歧义消解

  例子1：结婚的和尚未结婚的

 结婚/的/和/尚未/结婚/的
	  结婚/的/和尚/未/结婚/的
  例子2：研究生命的起源

  研究/生命/的/起源
	  研究生/命/的/起源
  ...]]></description><category></category></item><item><title><![CDATA[centos调整home分区空间至root分区]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/106756896</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/106756896</guid><author>zerozzl01</author><pubDate>Mon, 15 Jun 2020 10:07:29 +0800</pubDate><description><![CDATA[方案：将/home目录压缩一部分空间到/

1、备份/home目录下文件


tar -czvf /root/home.tgz -C /home .

2、测试备份文件


test the backup

3、解除/home挂载


umount /dev/mapper/centos-home

有可能有target is busy错误，使用


umount -l /dev/mapper/centos-home

4、删除逻辑分区


remove the home logical volume


有]]></description><category></category></item><item><title><![CDATA[NLP文本输出评价方法]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/104062882</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/104062882</guid><author>zerozzl01</author><pubDate>Tue, 21 Jan 2020 16:01:54 +0800</pubDate><description><![CDATA[BLEU：找出输出句子与参考句子之间的 n 元语法重叠部分并对（比参考句子）更短的输出句子施以惩罚的评价方法

NIST：它基于 n 元语法的稀缺性对其进行加权。这就意味着对某个稀缺 n 元语法的正确匹配能提高的分数，要多于对某个常见的 n 元语法的正确匹配。（http://www.mt-archive.info/HLT-2002-Doddington.pdf）

ROUGE：它对 BLEU 进行...]]></description><category></category></item><item><title><![CDATA[自然语言处理著会议和期刊]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/99486087</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/99486087</guid><author>zerozzl01</author><pubDate>Tue, 13 Aug 2019 22:37:28 +0800</pubDate><description><![CDATA[国际会议

ACL、EMNLP、NAACL和COLING可以说是 NLP 领域的四大顶会。其中 ACL、EMNLP、NAACL都是一家的（均由 ACL 举办）。ACL 是CCF推荐A类国际学术会议，EMNLP 和 COLING 是B类，NAACL 则是C类。

ACL

https://www.aclweb.org/portal

ACL全称The Association for C...]]></description><category></category></item><item><title><![CDATA[真正理解拉格朗日乘子法和 KKT 条件]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/96332484</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/96332484</guid><author>zerozzl01</author><pubDate>Wed, 17 Jul 2019 17:47:42 +0800</pubDate><description><![CDATA[这篇博文中直观上讲解了拉格朗日乘子法和 KKT 条件，对偶问题等内容。首先从无约束的优化问题讲起，一般就是要使一个表达式取到最小值：。如果问题是max f(x)也可以通过取反转化为求最小值min −f(x)，这个是一个习惯。对于这类问题在高中就学过怎么做。只要对它的每一个变量求导，然后让偏导为零，解方程组就行了。



所以在极值点处一定满足（只是必要条件，比如在x=0处就不是极值点），然后...]]></description><category></category></item><item><title><![CDATA[拉格朗日乘子法和KKT条件]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/96307972</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/96307972</guid><author>zerozzl01</author><pubDate>Wed, 17 Jul 2019 15:00:11 +0800</pubDate><description><![CDATA[1 无约束优化

对于无约束优化问题中，如果一个函数f是凸函数，那么可以直接通过f(x)的梯度等于0来求得全局极小值点。

为了避免陷入局部最优，人们尽可能使用凸函数作为优化问题的目标函数。


凸集定义：欧式空间中，对于集合中的任意两点的连线，连线上任意一点都在集合中，我们就说这个集合是凸集。

凸函数定义：对于任意属于[0,1]的a和任意属于凸集的两点x, y，有f( ax + (1-a)y ...]]></description><category></category></item><item><title><![CDATA[ROC和AUC介绍以及如何计算AUC]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/95944987</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/95944987</guid><author>zerozzl01</author><pubDate>Mon, 15 Jul 2019 11:18:30 +0800</pubDate><description><![CDATA[ROC（Receiver Operating Characteristic）曲线和AUC常被用来评价一个二值分类器（binary classifier）的优劣。

ROC曲线

需要提前说明的是，我们这里只讨论二值分类器。对于分类器，或者说分类算法，评价指标主要有precision，recall，F-score，以及我们今天要讨论的ROC和AUC。下图是一个ROC曲线的示例。



正如我们在这个...]]></description><category></category></item><item><title><![CDATA[XLNet：运行机制及和Bert的异同比较]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/93617427</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/93617427</guid><author>zerozzl01</author><pubDate>Tue, 25 Jun 2019 14:14:52 +0800</pubDate><description><![CDATA[大数据文摘授权转载自张俊林知乎专栏

作者：张俊林

这两天，XLNet貌似也引起了NLP圈的极大关注，从实验数据看，在某些场景下，确实XLNet相对Bert有很大幅度的提升。就像我们之前说的，感觉Bert打开两阶段模式的魔法盒开关后，在这条路上，会有越来越多的同行者，而XLNet就是其中比较引人注目的一位。

当然，我估计很快我们会看到更多的这个模式下的新工作。未来两年，在两阶段新模式（预训练+...]]></description><category></category></item><item><title><![CDATA[深度学习中的注意力机制]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/92769154</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/92769154</guid><author>zerozzl01</author><pubDate>Tue, 18 Jun 2019 10:56:35 +0800</pubDate><description><![CDATA[深度学习中的注意力机制








作者 | 张俊林  责编 | 何永灿

最近两年，注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。

本文以机器翻译为例，深入浅出地介绍了深度学习中注意力机制的原理及关键计算机制，同时也抽象出其本质思想，并介绍了注意力模...]]></description><category></category></item><item><title><![CDATA[Centos7安装VNC]]></title><link>https://blog.youkuaiyun.com/zerozzl01/article/details/90610807</link><guid>https://blog.youkuaiyun.com/zerozzl01/article/details/90610807</guid><author>zerozzl01</author><pubDate>Mon, 27 May 2019 20:12:45 +0800</pubDate><description><![CDATA[LINUX安装VNC步骤]]></description><category></category></item></channel></rss>