引言毕竟西湖六月中，风光不与四时同。接天莲叶无穷碧，映日荷花别样红。小伙伴们好，我是卖热干面的小男孩，今天分享给大家的是亚马逊发表于 NAACL 2021上的一篇文章：Supporting Clustering with Contrastive Learning。这篇文章结合当红流量小生「对比学习」提出一种简单且有效的「无监督文本聚类」方法：SCCL。该模型刷爆了7个短文本聚类任务，6到飞起~「论

在学习过程中看了很多paper或教程，都存到了自己的文件夹里，但放久了自己都忘了哪篇对应哪个算法了。因此整理起来放到这里。这个列表会随着我的学习不断更新。Pelhans/paper_list​github.com/Pelhans/paper_list/tree/master/knowledge_graph知识图谱介绍知识图谱入门笔记从零开始构建知识图谱徐增林_知识图谱技术综述知识图谱构建技术综述R

前言知识图谱，即一种特殊的语义网络，它利用实体、关系、属性这些基本单位，以符号的形式描述了物理世界中不同的概念和概念之间的相互关系。为什么说知识图谱对于信息检索、推荐系统、问答系统中至关重要，我们用一个例子来说明：假设在一个搜索场景，我们在搜索框中输入坐月子可以洗澡吗？可以看到这句Query是一个完整的问句，如果在检索系统中有一个较大的问答语料库（比如FAQ场景），或者一个足够庞大的文章数据库（文

本人认为学习一样东西，直接上手跑实验是最有效提升的方法之一。看了那么多的理论介绍文章，抽象的说辞，最后还是似懂非懂。所以，直接上手数据集跑实验，与理论结合，能有更深刻的了解。同时也记录下学习KBQA的过程，也希望对同入门的同学有些帮助。目录：1、引言2、数据集介绍3、数据集本身存在的问题4、数据集预处理及实验结果5、KBQA整体流程6、结束语引言本人最近在做KBQA相关的的工作，有些大致的了解和想

前言知识图谱，即一种特殊的语义网络，它利用实体、关系、属性这些基本单位，以符号的形式描述了物理世界中不同的概念和概念之间的相互关系。为什么说知识图谱对于信息检索、推荐系统、问答系统中至关重要，我们用一个例子来说明：假设在一个搜索场景，我们在搜索框中输入坐月子可以洗澡吗？可以看到这句Query是一个完整的问句，如果在检索系统中有一个较大的问答语料库（比如FAQ场景），或者一个足够庞大的文章数据库（文

一文打尽图嵌入Translate模型，各种模型的动机，优缺点分析。本文对知识图谱嵌入/知识表示的转换模型进行了简要的总结。你可以从TensorFlow-TransX中找到开源的TensorFlow代码。知识表示的一些背景知识通常，我们使用三元组(head, relation, tail)来表示知识。在这里，头和尾是实体。例如，(sky tree, location, Tokyo)。我们可以用独热向

作者：景略集智链接：https://www.zhihu.com/question/22956189/answer/411522145来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。虽然这个问题比较冷清，但我们都明白充足的文本数据集对于自然语言处理领域的研究有多重要，因此我们从网络上收集了 20 个大型中文文本数据集或数据源，其中不少数据集相当给力，比如中华古诗词数据集

对近几年推荐系统(Recommendation System)领域结合Knowledge Graph Embedding (知识图谱表示学习) 或者 Network Embedding(网络表示)的几篇论文做了极简介绍。 首先对简单介绍推荐系统，之后整理了几篇结合知识表示的论文。推荐系统简介一句话来介绍的话，就是通过分析历史数据，来给用户 推荐 可能会喜欢/购买的商品， 这里面的核心就是用户 (U

来源 | 专知摘要知识图谱(KGs)在工业和学术领域有很多应用，这反过来又推动了朝着大规模地从各种来源提取信息大量的研究工作。尽管付出了这些努力，但众所周知，即使是最先进的KGs也是不完整的。链路预测(Link Prediction, LP)是一种根据KG中已存在的实体去预测缺失事实的任务，是一种有前途的、广泛研究的、旨在解决KG的不完整的任务。在最近的LP技术中，基于KG嵌入的LP技术在一些基准

基于关系技术（主要思想是将大问题化成精心设计的能够解决的一个个小问题）：子图匹配：基于知识的问答分为两种：1. 基于信息检索(1) 生成候选答案(2) 对候选答案排名2. 基于语义理解(1) 讲自然语言问句转化成逻辑形式(2) 执行得出结果1. 从问题中提取出问题的提及实体并在知识图谱中找到相应的实体节点。2. 找到两跳之内的所有候选答案。3. 对候选答案排序后，取得分最高的候选答案。该文章发于E