其他

當知識圖譜“遇見”深度學習 知識圖譜  深度學習 閱讀2714  作者：肖仰華，複旦大學電腦科學技術學院，副教授，博士生導師，上海市互連網大資料工程技術中心副主任。主要研究方向為大資料管理與挖掘、知識庫等。

學習之路，長且艱辛。 1.neo4j是非關係型資料庫，也可以說是圖資料庫，其原理是按節點和屬性來儲存，在neo4j官網上下載社區版資料庫後，就可以安裝操作。 2.neo4j資料庫之小demo。 2.1   如圖所示，輸入：play movies,  點擊右側開始符號 2.2 完成2.1後，將返回如下代碼，點擊代碼部分，將自動將代碼複製到輸入框中。再點擊開始符號。將進行資料庫的建立操作。 2.3 以一個例子為準： MATCH (p)-[

測試計劃編寫7要素。（6W1H）          1) why——為什麼要進行這些測試；  Purpose 　　2) what—測試哪些方面，不同階段的工作內容； Scope 　　3) when—測試不同階段的起止時間； Schedule 　　4) where—相應文檔，缺陷的存放位置，測試環境等； Resourse 　　5)

一、會計假設，是指組織正常會計核算工作應當具備的前提條件。 1、會計主體假設 會計主體假設是指假設會計所核算的是一個特定的企業或單位的經濟活動，而不是漫無邊際的。一般地，經濟上獨立或相對獨立的企業、公司、事業單位等都是會計主體。會計主體與經濟上的法人不是同一個概念，會計主體可以是法人，也可以不是，如獨資及合夥企業。 2、持續經營假設 持續經營時假設企業正常的生產經營活動能永遠地進行下去，即在可以預見的將來，企業不會倒閉。 3、會計分期假設

一、前言 本文是《智能對話機器人實戰開發案例剖析》系列文章的第三部分，第2篇：基於知識圖譜的智能問答機器人關鍵技術。相關內容已錄製成視頻課程，課程地址：網易雲課堂 配套開源架構代碼已上傳至Github：kgRobot，如需參與項目開發請聯絡作者QQ群：149933712. 二、本文 2.1 核心思想 通過自然語言處理，把使用者輸入的問題，基於規則映射模型，轉換為知識圖譜查詢語言：question2sparql。 2.2 工作流程 工作流程如下圖所示： 2.3 關鍵技術

本文收集了大量基於 PyTorch 實現的代碼連結，其中有適用於深度學習新手的“入門指導系列”，也有適用於老司機的論文代碼實現，包括 Attention Based CNN、A3C、WGAN等等。所有代碼均按照所屬技術領域分類，包括機器視覺/映像相關、自然語言處理相關、強化學習相關等等。所以如果你打算入手這風行一世的 PyTorch 技術，那麼就快快收藏本文吧。 PyTorch 是什麼。 PyTorch即 Torch 的 Python 版本。Torch 是由 Facebook

來源：http://mp.weixin.qq.com/s?__biz=MzA3MDg0MjgxNQ==&mid=2652391534&idx=1&sn=901d5e55971349697e023f196037675d&chksm=84da48beb3adc1a886e2a0d9d45ced1e8d89d4add88a9b6595f21784fcc461938b19a7385684&mpshare=1&scene=23&srcid=0904T

學習LSTM最好的教程之一莫過是deep learning tutorial 見 http://deeplearning.net/tutorial/lstm.html 這裡的Sentiment analysis實際上和 Topic classification有點像

借鑒了蘇建林大神的部落格關於情感分析的三篇文章。並在此基礎上 新加了停用詞。停用詞的下載連結：停用詞 代碼環境： python2.7 tensorflow-gpu 1.0 jieba 實驗後的準確率高達98%,結果如下： 代碼如下： # -*- coding:utf-8 -*-'''在GTX1070上，11s一輪經過30輪迭代，訓練集準確率為98.41%Dropout不能用太多，否則資訊損失太嚴重'''import numpy as npimport

你在做一件產品 是更注重 戰略，產品，技術 做技術的人會不會很累，回報不滿意， 一味的注重技術實現，卻沒有好的戰略，成了空有技術，白忙活。 作戰略的，技術讓別人做。 談到軍事上，會發現，你有這個戰略，但是沒人給你提供技術。 不得不自己動手。 戰略難，還是技術難。 通常來講還是技術難， 戰略都是想想那樣，而技術要實在做東西。 戰略回報大，還是技術回報大。 技術比較穩定。戰略有所風險。 或許來講，技術有無有

自我介紹 C++中一個程式從開始的內存管理 struct和calss區別 講epoll http的傳回值有哪些，正常的傳回值是多少 http網頁從抓取到顯示的流程 tcp連線是如何斷開的，time wait發生在哪個階段（講四次揮手過程） socket中的怎麼解決粘包問題 linux問題： linux中怎麼改變進程的優先級 shell編程中怎麼樣在文本中刪除重複（相同）的行 編程題： 一億的數據量的商品，如何找出銷量最高的500個商品 （如果有二面就來更新，20

語言是人類有別於其他動物的一個重要標誌。自然語言是區別於形式語言或人工語言（如邏輯語言和程式設計語言等）的人際交流的口頭語言（語音）和書面語言（文字）。 1、語言與語言理解 語言是人類進行通訊的自然媒介，它包括口語、書面語以及形體語（如啞語和旗語）等。一種比較正規的提法是：語言是用於傳遞資訊的表示方法、約定和規則的集合。語言由語句組成，每個語句又由單片語成；組成語句和語言時，應遵循一定的文法與語義規則。語言由語音、詞彙和文法構成。語言和文字是構成語言的兩個基本屬性。如果沒有各種口語和書面語，

為什麼YouTube平台上會源源不斷產生高品質視訊和優質廣告，真的只是偶然嗎。為什麼使用者一上youTube就黏住了，這背後到底下了多大的功夫研究人性的細節。如此海量的資料，如何精準地推送給每一個恰當的人。 本文是YouTube在推出關於自家推薦系統的論文後，作者對其的驗證、補足和進一步解析。 去年，在波士頓舉辦的第10屆ACM推薦系統大會（ACM’s RecSys ‘16）上，來自Google的一個研究團隊公布了YouTube推薦系統的深度學習論文：

推薦系統架構，候選集產生，排序 1. 推薦演算法架構 millions未經處理資料 -》使用者曆史資訊和上下文資訊-》候選集產生-》hunderds 資料-》排序 （1）首先關注圖片中下幾個單詞millions、hundreds、dozens：表示資料量的層級，全部的video corpus大概是millions層級，經過candidate generation之後大概是hundreds層級，

主要推薦系統演算法總結及Youtube深度學習推薦演算法執行個體概括 By ZhuZhiboSmith 2017年7月09日 17:00 現如今，許多公司使用大資料來做超級相關推薦，並以此來增加收益。在海量推薦演算法中，資料科學家需要根據商業限制以及需求來選擇最佳演算法。為使其簡單化，Statsbot 團隊為現有的主要推薦系統演算法準備了一份概述。 協同過濾

這篇文章將講解如何使用lstm進行時間序列方面的預測，重點講lstm的應用，原理部分可參考以下兩篇文章： Understanding LSTM Networks       LSTM學習筆記 編程環境：python3.5，tensorflow 1.0 本文所用的資料集來自於kesci平台，由雲腦機器學習實戰訓練營提供：真實業界資料的時間序列預測挑戰

tensorflow要想用起來，首先自己得搞定資料輸入。官方文檔中介紹了幾種，1.一次性從記憶體中讀取資料到矩陣中，直接輸入；2.從檔案中邊讀邊輸入，而且已經給設計好了多線程讀寫模型；3.把網路或者記憶體中的資料轉化為tensorflow的專用格式tfRecord,存檔案後再讀取。 其中，從檔案中邊讀邊輸入，官方文檔舉例是用的CSV格式檔案。我在網上找了一份代碼，修改了一下，因為他的比較簡略，我就補充一下遇到的問題 先貼代碼 #coding=utf-8import

簡單介紹關於知識圖譜的構建的流程： 1. 資料來源：（資料層（Data Level）的構建） 百科類資料（Wikipedia半結構化, Freebase結構化）,  結構化資料（DBpedia 和YAGO 等通用語義資料集，還包括如MusicBrainz 和DrugBank 等特定領域的知識庫）， 半結構化資料，自動化的AVP（屬性-值對）抽取 以及搜尋日誌挖掘，

一、前言 知識圖譜（Knowledge Graph）突然就變得很熱門，自己也被分配去研究構建知識圖譜了，中間也看了很多資料，這裡想做個小筆記，方便日後的查閱和備忘吧。 二、什麼是知識圖譜。 構成這個世界的是實體，而非字串（things, not strings）。 知識圖譜其實就是以前的語義網，只不過換了一個名字而已。知識圖譜就是把所有不同種類的資訊（Heterogeneous

neo4j download下載Neo4j。然後通過http://localhost:7474訪問 1、建立實體檔案csv,需要包含唯一id（採用uuid1的方式） 2、建立關係csv，通過實體ID相串連； 匯入： 實體1： LOAD CSV WITH HEADERS  FROM "file:///new_entity1.csv" ASline  MERGE(comp:company{name:line.name,code:line.code}