知识图谱——TransE模型原理1 TransE模型介绍1.1 TransE模型引入在我们之前的文章中，提到了知识图谱补全任务的前提任务是知识表示学习，在知识表示学习中，最为经典的模型就是TransE模型，TransE模型的核心作用就是将知识图谱中的三元组翻译成embedding向量。1.2 TransE模型思想为了后面便于表示，我们先设定一些符号h 表示知识图谱中的头实体的向量。...

最优化问题——无约束优化方法在只前的文章中，我们关注的是非线性规划问题，以及对应步长因子的搜索方法。在非线性规划问题中，其基本形式包括目标函数和约束条件两个部分，并且约束条件确定了可行域等等重要的部分。但是今天，我们开始关注与不存在约束的优化问题。1 无约束优化问题的引入1.1 无约束优化意义实际的优化问题一般都有很多的约束，那么为什么还需要研究无约束的最优化方法呢？首先，我们从一个例子开始，相信

Gephi教程——外观和布局在本部分的内容中，我们将来关注Gephi中的外观设置和布局设置。通过外观的设置，我们可以设置图形节点、边、标签的颜色和大小。通过布局的设置，按照某一种策略来对节点和边进行排布，使得图形的展示满足我们的需要。1 外观设置对于颜色和大小的编辑，一般存在两种方式来实现，第一种是统一型的编辑设置，这种方法对所有的数据进行统一的处理。另外一种是利用数值来编辑颜色和大小情况。1.1

深度学习——最常见的三种激活函数1 tanh激活函数1.1 函数原型tanh(x)=ex−e−xex+e−xtanh(x) = \frac{e^x-e^{-x}}{e^x+e^{-x}}tanh(x)=ex+e−xex−e−x​1.2 函数图像1.3 函数导数tanh′(x)=1−tanh2(x)tanh'(x) = 1 - tanh^2(x)tanh′(x)=1−tanh2(x)...

LTSM神经网络和对话机器人实践

元学习——原型网络(Prototypical Networks)1. 基本介绍1.1 本节引入在之前的的文章中，我们介绍了关于连体网络的相关概念，并且给出了使用Pytorch实现的基于连体网络的人脸识别网络的小样本的学习过程。在接下来的内容中，我们来继续介绍另外一种小样本学习的神经网络结构——原型网络。这种网络的特点是拥有能够不仅仅应用在当前数据集的泛化分类能力。在接下来的内容中，我们将介绍以下几

Gephi教程——基本操作1 整体预览1.1 概览、数据资料与预览在Gephi的整个主界面，可以看到三个大的按钮，分别为概览，数据资料和预览。如下图所示：其中单击概览之后，会切换到图形的可视化的编辑页面。单击数据资料，可以切换到对于构建当前图的原始数据的页面，在可视化的过程中，很多情况下需要对于原始构建该图的数据进行操作。比如，删除，替换等操作。原始数据在数据资料中是以表格的方式进行呈现，用户可以

元学习—半监督原型网络本文主要参考文献META-LEARNING FOR SEMI-SUPERVISED FEW-SHOT CLASSIFICATION，有兴趣的读者可以参考该文献。1 介绍大量的可用数据可以使得深度学习模型在很多人工智能任务上取得非常不错的效果。例如，语音识别，物体识别，和机器翻译等等。然而，当前的深度学习方法面临着数据缺少的问题。具体的，当前的多数方法都擅长处理拥有大量数据的单

机器学习——条件随机场(CRF)原理1. 条件随机场(CRF)基本原理1.1 马尔科夫随机场的引入在一个无向图中，任意两个具有边连接的节点x，y，如果从x节点走的y节点是具有一定概率数值的，则这种图被称为无向概率图。马尔科夫随机场也是一种无向的概率图。1.1.1 团与极大团在无向图中，任意两个节点之间具有边连接的各个节点集合构成了一个团。在各个团中，如果再加入一个节点，就不能再构成团的节...