學習工作記錄三

標籤：作者   nes   去百度   baidu   嘻嘻   資料分布   png   判斷   重點   

學習工作記錄

這是第五周，國慶放假。前三天應我哥的要求回了老家，後四天便回學校學習去了。主要是看了一篇論文，又重溫了一下項目的代碼，還有就是給另一個項目打包ipa檔案上架，由於對蘋果認證內容的不熟悉，所以耽誤了三天。。。

一 、 文獻閱讀1.《知識表示學習研究進展》 劉知遠

這篇文章主要是介紹了知識庫領域的一些演算法。內容比較豐富，重點研究了TransE及其改進演算法。但是由於TransE在解決複雜關係建模問題上，處理的不好，比如：

假如知識庫中有２個三元組，分別是（美國，總統，奧巴馬）和（美國，總統，布希）．這裡的關係“總統”是典型的１－Ｎ的複雜關係．如果用TransE從這２個三元組學習知識表示，將會使奧巴馬和布希的向量變得相同．

故為瞭解決這個問題，文章介紹了7種改進模型。

• 1.TransH模型(Knowledge graph embedding by translating on hyperplanes)
• 2.TransR/CTransR模型(Learning entity and relation embeddings for knowledge graph completion)
• 3.TransD模型(Knowledge Graph Embedding via Dynamic Mapping Matrix)
• 4.TranSparse模型(Knowledge graph completion with adaptive sparse transfer matrix)
• 5.TransA模型(TransA: An Adaptive Approach for Knowledge Graph Embedding)
• 6.TransG模型(TransG : A Generative Mixture Model for Knowledge Graph Embedding)
• 7.KG2E模型(Learning to Represent Knowledge Graphs with Gaussian Embedding)

另外，文章還講了多源資訊融合的實現——它是知識表示學習的另一個重要內容。因為目前的知識學習模型TransE 及其改進演算法，無法有效地利用其它與知識有關的內容。儘管有關多源資訊融合的研究比較多，但是與知識學習相結合的研究還是比較少的。

在文章最後，作者指出了知識表示學習的研究方向。主要提出了3個方面：

(1).面向不同知識類型的知識表示學習

(2).多源資訊融合的知識表示學習

(3).考慮複雜推理模式的知識表示學習

其中3)是基於關係路徑的推理學習，個人覺得還是比較有意思的。可以將知識庫中部分相關的內容，通過某種推理加強它們的聯絡。

例如，根據三元組（康熙，父親，雍正）和（雍正，父親，乾隆）構成的“康熙”和“乾隆”之間“父親＋父親”的關係路徑，再結合三元組（康熙，祖父，乾隆），PTransE實際上額外提供了“父親＋父親＝祖父”的推理模式，從而提升知識表示的精確性．

還有文章最後提出了“面向大規模知識庫的線上學習和快速學習”，也是比較有意思.

2.《中文社交媒體謠言統計語義分析》 劉知遠

又是劉知遠的文章，因為在知乎常看到他的大名，所以就去百度學術搜尋了幾篇來看一下他的研究方向。

文章主要是先介紹了謠言的種類以及傳播特點。

然後提出面向社交媒體的自動闢謠架構。其中，在判斷微博內容是否為謠言的時候，該文章提出了基於貝葉斯機率的可疑文章的機率計算公式：

最後，提出架構 ：

3.一些概念的學習：張量、高斯混合(1)張量(tensor):下面給兩篇介紹比較清楚的文章：

1.通俗易懂說“張量”

2.怎麼通俗地理解張量?

文章中提到的Dan Fleisch介紹張量的視頻，我聽不懂。。。（菜），但是看文章1中的介紹，還是比較清楚的。特別是將張量具體成我們學過的三維空間，進而推廣到n維空間這個過程。

一階（1*3矩陣）：

二階（3*3矩陣）：

三階：

可以看作一個立方體

四階：

五階：

六階：

What‘s a Tensor? 有空的時候翻譯一下，^_^(2).高斯混合(GMM，Gaussian mixture model)

從前學資料採礦的時候，學過群集，高斯混合模型是其中的一種，但是並沒有教，當時主要教的K-means等。那麼什麼是GMM呢？

給兩篇寫得比較清楚的文章：

1.一文詳解高斯混合模型原理

2.高斯混合模型（GMM）及其EM演算法的理解

簡單來說，對於一些聚類，可以使用多個獨立的高斯分布模型，進行線性組合。利用如下公式：

分布機率是K個高斯分布的和，每個高斯分布有屬於自己的μ和σ參數，以及對應的權重參數，權重值必須為正數，所有權重的和必須等於1，以確保公式給出數值是合理的機率密度值。換句話說如果我們把該公式對應的輸入空間合并起來，結果將等於1。

權值和為1故稱為線性組合。

如果只使用一個二維高斯分布來描繪，顯然不夠準確，我們可以很明顯得看到下方資料可以聚成另一個類。

所以我們採用兩個高斯分布組合成一個高斯混合模型，這樣能更準確地刻畫資料分布。

二 、 基於知識圖譜的智能家居項目進展

本周主要是將該項目所有代碼都看過一遍了，明確了該項目目前的不足，以及項目的完成度。

接下來的任務，等和學姐導師討論完再決定吧。

需要儘快熟悉spring架構，感覺因為neo4j而使用spring 架構很奇怪。

三 、 下周工作內容

• 論文3篇
• 環境配置+運行+找導師討論
• 牛客 PAT 3題（做滿20題牛客給50元PAT抵用券嘻嘻嘻嘻）
• 檢索課程的實驗報告，第七周交中期報告，第八周交最終版
• 組合數學第二章（都沒看，感覺丟人）

四 、 工作心得1.國慶玩耍

雖然國慶只回去了3天，但還是在最後一天去了景點——壺公山。每次坐車去市區都會經過，但是都沒有登上去過，這次直接開車上山~並在山上發現了一個很神奇的東西：

哈哈哈哈，我竟然捐了十萬。。。唉，我要是真有十萬就好了。。。

不過風景還是不錯的~~~

2.蘋果p12推送認證問題

在APICloud平台上雲編譯打包ipa檔案的時候，忘記了蘋果的推送認證是放在伺服器上……

傻乎乎拿去打包ipa檔案，編譯了40個版本[捂臉]。一開始以為Mac的CA有問題導致簽署憑證無法識別，然後改用Windows用OpenSSL自簽名產生認證，發現還是不行。問遍論壇和stackoverflow，都沒發現問題（可能是太弱智了吧），最後還是靠au大佬提了醒。白花了一百多買他的打包軟體了，買了個蘋果開發人員帳號還花了我99刀

所以蘋果三種認證的區別如下，另外，我專門寫了一篇關於蘋果認證的部落格：

關於打包ipa檔案以及蘋果認證的若干問題

學習工作記錄三