文章目录1 DNN与词向量1.1 DNN1.2 skip-gram1.3 简单句子分类模型DAN2 RNN+LSTM+GRU2.1 RNN2.2 LSTM1 DNN与词向量1.1 DNN神经网络中每一个神经单元是一个线性变化加一个激活函数s=UTas=U^Tas=UTaa=f(z)a=f(z)a=f(z)z=Wx+bz=Wx+bz=Wx+b多层神经网络就是不断向前加。1.2 skip-gram通过

文章目录1 特征工程与意义2 数据与特征处理2.1数据采集2.2 数据清洗2.3 数据采样2.4 特征处理2.4.1 数值型2.4.2 类别型1 特征工程与意义特征工程做的事情是从数据中抽取出来的，对结果预测有用的信息。特征工程是使用专业背景知识和机器学习技巧处理数据，使得特征能在机器学习算法上发挥更大的作用。要提升机器学习的效果可以有三个途径：1 选择一个合适的模型，模型越简单越好2 编码技能和

文章目录5 NLP中的卷积神经网络5.1 卷积5.2 多通道5.2 max pooling5 NLP中的卷积神经网络RNN的问题：1 时间复杂度高2 最后一个向量包含所有信息。有点不可靠CNN可以通过卷积核捕捉局部特征，那是不是可以用于句子，表示特定长度的词序列呢？例如句子：他 毕业 于 上海 交通 大学。如果长度设定为3，那么CNN应该可以捕获他毕业 于毕业于 上海于 上海 交通上海 交通 大学

文章目录1 项目目标2 模型介绍3 代码4 总结与优化1 项目目标基于知识图谱的问答系统，简称为KBQA，是知识图谱的一种应用方式。在本项目中的知识图谱数据是关于公司的。数据中包含公司的主键、名称、分红方式、所处行业、债券类型等，也包含公司主要职位的人物名称，还有公司与公司之间的关系。经过分析之后，我们建立的图谱中的实体有：公司、人物、行业、分红方式、违规类型、债券类型。公司与公司之间的关系有：供

文章目录1 概述2 图片识别+定位1 概述CNN主要任务包含物体识别+定位、物体识别、图像分割。图片识别：图片分类，假设图片中是一个主要对象。图片识别+定位：可以用矩形框，画出图片中的物体。物体识别：实际情况中一个图片是包含多个对象的。用矩形框标出所有物体。图像分割：在物体识别的基础上，检测出物体边缘。2 图片识别+定位图片识别：输入：图片；输出：类别标签；评价标准：准确率图片定位：输入：图片；输

1 知识图谱应用场景1、数据可视化2、基于图谱的问答系统3、基于图谱的关系推理4、便捷的关系查询，给模型提供更多数据特征2 知识图谱的构建非结构化数据源中的实体识别：一般来说是一个sequence labeling的任务。非结构化数据源中的关系抽取：通常都会提供好固定的一些关系，因此该任务就是一个分类问题。非结构化数据源中的三元组抽取3基于知识图谱的问答根据问题，解析三元组中的两个元素，查询第三个

文章目录1 项目目标2 模型介绍3 代码4 总结与优化1 项目目标基于知识图谱的问答系统，简称为KBQA，是知识图谱的一种应用方式。在本项目中的知识图谱数据是关于公司的。数据中包含公司的主键、名称、分红方式、所处行业、债券类型等，也包含公司主要职位的人物名称，还有公司与公司之间的关系。经过分析之后，我们建立的图谱中的实体有：公司、人物、行业、分红方式、违规类型、债券类型。公司与公司之间的关系有：供

转载自时空霹雳        在统计语言模型章节中，我们谈到了N元语法模型不可避免的一个问题，就是数据稀疏，其原因是大规模语料统计与有限语料的矛盾。根据齐普夫（Zipf）法则，我们能够推测知零概率问题不可避免。数据稀疏问题的解决办法就是进行平滑处理。平滑处理的算法有很多，本文将介绍众多算法中的佼佼者：古德-图灵（Good-Tu

pytorch的sum怎么那么烦人呢？我怎么知道应该给哪个维度做加和呢。如果 x=tensor([[0.5946, 0.3530, 0.2231],[0.7467, 0.2139, 0.4841],[0.6990, 0.6151, 0.1369],[0.1062, 0.5951, 0.7555],[0.7811, 0.2932, 0.2963]])那么我想 x.sum(dim=1)，第0个维度是行

转载自时空霹雳        在统计语言模型章节中，我们谈到了N元语法模型不可避免的一个问题，就是数据稀疏，其原因是大规模语料统计与有限语料的矛盾。根据齐普夫（Zipf）法则，我们能够推测知零概率问题不可避免。数据稀疏问题的解决办法就是进行平滑处理。平滑处理的算法有很多，本文将介绍众多算法中的佼佼者：古德-图灵（Good-Tu