知识图谱

　　原标题：他是清华姚班高材生，选择从谷歌辞职回山西教书，张昆玮说「不想像成功学那样生活」 　　杨净发自凹非寺 　　量子位报道公众号 QbitAI 　　张昆玮，因为一则「征友帖」被热议。 　　他是 2009 级 清华姚班 毕业生，清华硕士毕业后就职于 摩根大通 、 谷歌 …… 　　而更早之前，他还是 NOI 金牌得主，在数学、物理和信息学方面很早就展露天才，更后来从山西省实验中学保送清华，进入姚班。 　　但这次被热议，与“找对象”无关。 　　因为在这则朋友帮写的“征友帖”中，张昆玮受到关注的是其「出乎意料」的职业选择： 　　在谷歌工作两年后，他选择回乡任教，在家乡山西的一所二本院校—— 晋中学院 成为一名青年教师，月薪 3000 多。 　　有人不解，有人替他惋惜……也有他的学生、校友甚至小学同学现身说法，解释他始终是一个与众不同的人。 　　只是张昆玮自己，不想就此成为世俗成功标准的讨论对象。 　　他向量子位解释背后来由，字句之间，有时代共性的群体焦虑，也有一个 90 后年轻人的独立思考和自由精神。 　　他有地上的六便士，也有头顶的月亮。 　　 第一次选择：放弃未完成的博士，离开科研 　　张昆玮生于山西晋中，初中毕业以 全省第一 成绩考入山西省实验中学，很快就在数学、物理和信息学竞赛中展露头角，拿到两个省级一等奖，并且荣膺全国信息学奥赛金牌，最终成功保送清华。 　　然后在又一次选拔后

我是风筝，公众号「古时的风筝」，一个兼具深度与广度的程序员鼓励师，一个本打算写诗却写起了代码的田园码农！ 文章会收录在 JavaNewBee 中，更有 Java 后端知识图谱，从小白到大牛要走的路都在里面。回复「666」有高清学习路线图。 因为写文章的过程中画了不少的图，所以，我想，能不能用长图的形式展现一次呢，结果图片熬夜做了半天，最后出来的效果不是很好，哎，审美缺失吧。之后会有详细的文字源码解析版放出，敬请各位看官关注。 在 Java 中，最常用的数据类型是 8 中基本类型以及他们的包装类型以及字符串类型，其次应该就是 ArrayList和HashMap了吧。HashMap存的是键值对类型的数据，其存储和获取的速度快、性能高，是非常好用的一个数据结构，每一个 Java 开发者都肯定用过它。 而且 HashMap的设计巧妙，其结构和原理也经常被拿去当做面试题。其中有很多巧妙的算法和设计，比如 Hash 算法、拉链法、红黑树设计等，值得每一个开发者借鉴学习。 先来看一下整个 Map家族的集成关系图，一看东西还不少，但其他的可能都没怎么用过，只有 HashMap 最熟悉。 壮士且慢，先给点个赞吧，总是被白嫖，身体吃不消！ 我是风筝，公众号「古时的风筝」。一个兼具深度与广度的程序员鼓励师，一个本打算写诗却写起了代码的田园码农！你可选择现在就关注我，或者看看历史文章再关注也不迟。 来源：

简介： 为了让广大开发者清晰了解技术体系，打造属于自己的系统学习路径。今天，开发者社区整理了10+知识图谱，供大家交流学习，持续更新中~ 知识的学习从来就不是孤立的，学习任何知识（概念、定义、公式、问题、观念、理论等）都需要联系，你创造的联系越多，它们就会记得越牢、理解得越好。把孤立的知识点关联起来，是避免遗忘的重要手段。 正如Google的辛格博士在介绍知识图谱时提到的： “The world is not made of strings , but is made of things.” 知识体系可以方便地给出所学知识的地图全貌。在学习过程中给人进度反馈。 知识体系还提供了可拓展性。新学知识可以有规律地添加在原有体系之中。 梳理知识体系，可以提炼出知识的主干网络，方便知识的调用，加深对知识点的理解。 知识体系为知识的关联提供的指导，发掘知识点之间的关联，正是创新的核心。 为了让广大开发者清晰了解技术体系，打造属于自己的系统学习路径。今天，开发者社区整理了10+知识图谱，供大家交流学习，持续更新中~ 1、容器服务知识图谱 Kubernetes 作为云原生时代的“操作系统”，熟悉和使用它是每名用户的必备技能。本篇文章概述了容器服务 Kubernetes 的知识图谱，部分内容参考了网上的知识图谱，旨在帮助用户更好的了解 K8s 的相关知识。 2、大数据技术知识图谱 对海量数据进行存储

　　机器之心报道 　　 编辑：杜伟、小舟 　　 现在，用户可以在 Kaggle 平台上获取 arXiv 论文了！ 　　众所周知，arXiv 是我们搜索、浏览和下载学术论文的重要工具。近 30 年来，arXiv 为公众和研究社区提供了开放获取学术论文的服务。这些论文涉及物理学的庞大分支和计算机科学的众多子学科，如数学、统计学、电气工程、定量生物学和经济学等等。 　　 　　arXiv 上研究论文数量之多有利也有弊。一方面，对于在自身研究领域迅速成长的研究生，以及致力于用科研为公众提供服务的研究者而言，这一丰富的信息库可以提供极有效的助力。另一方面，arXiv 有时在搜索时也有不便。 　　与此同时，Kaggle 通常是数据科学家和机器学习工程师寻求有趣数据集、公开笔记和赛题的重要平台。研究者可以利用 Kaggle 上广泛的数据探索工具，轻松地与他人共享相关脚本和输出。 　　所以，是不是可以将 arXiv 上的巨量学术论文打包放在 Kaggle 上呢？ 　　近期，为了让 arXiv 可用度更高， 康奈尔大学和其他一些开发者在 kaggle 上创建了一个免费、开放的 arXiv 数据集。 该数据集是一个含有 170 多万篇学术论文的存储库，用户可以获取论文的标题、作者、类别、摘要、全文 pdf 等。 　　 　　arXiv 执行董事 Eleonora Presani 表示：「在 Kaggle

云客服采用SaaS云端服务模式，有效解决客服问题，控制企业成本，快速搭建属于客户自己的客服平台。 云客服产品目前共有十大类功能，包括多渠道接入、IVR、坐席管理、质检、知识库、工单、问卷、客户资料管理、报表、外呼平台。 智能知识库、智能排班、智能质检、智能应答机器人等AI功能持续迭代。此外，还有跑马灯、备忘录、系统公告等小功能。 多轮会话 •精准的上下文理解能力 •准确的关键信息识别并提取•上下文逻辑理解•企业动态业务知识库信息的提取／管理／反馈•行业知识图谱，预构建行业业务场景 •敏捷的主动发问机制 •实体提取深层意图理解•主动分步式发问 云客服 ，客服不再是公司问题！ 来源： oschina 链接： https://my.oschina.net/u/4346514/blog/4449761

事物、概念之间的关系是人类知识中非常重要的一个部分，但是他们通常隐藏在海量的非结构文本中。为了从文本中抽取这些关系事实，从早期的模式匹配到近年的神经网络，大量的研究在多年前就已经展开。 然而，随着互联网的爆炸发展，人类的知识也随之飞速的增长，因而对关系抽取（Relation Extraction, RE）提出了更高的要求，需要一个有效的RE系统，能够利用更多的数据；有效的获取更多的关系；高效的处理更多复杂的文本；具有较好的扩展性，能够迁移到更多的领域。 本文首先介绍一种基于卷积神经网络的关系抽取方法。 作者&编辑 | 小Dream哥 1 导论 在引入深度学习之前，在NLP领域，关系抽取最优的方法是基于机器学习的方法。机器学习的方法依赖手动提取特征，手动提取的特征通常依赖于其他的NLP系统（一些NLP工具），这些工具不免会带入错误，这些错误就会在关系抽取的任务中进行传播。 因此，基于机器学习的关系抽取方法代价大且效果不佳。这里介绍一种比较早的应用深度卷积神经网络进行关系抽取的方法，由神经网络进行特征抽取，避免了手动的特征提取，实现了端到端的关系抽取。 Daojian Zeng, Kang Liu, Siwei Lai, Guangyou Zhou, and Jun Zhao. 2014. Relation classifification via convolutional deep

摘要： 作为自然语言处理技术和知识图谱技术的交集，知识提取技术可以从文档（如招股书）中提取关键数据，为科技监管中面临的问题提供了有效的解决途径。本文分析了知识提取技术在现有监管业务中的应用，并列示了在监管大数据平台、大数据分析、舆情监测等方面的可能应用。然而，监管知识提取也面临着格式复杂、冷启动等挑战。针对此，本文设计了一套基于柳叶刀方法的知识提取流水线。柳叶刀方法针对单一的标注学习方法的弱点，提出了迭代式的模型构造方法。可以做到构造知识生产流水线，将版面分析、篇章分析等分工序逐步实现；数百个小模型混合工作，实现细粒度的模型分解；模型高速（小时级）迭代并充分利用先验知识。此外，用深度学习进行模型泛化，有利于扩大现有规则系统的兼容能力。 关键词： 监管科技 知识提取技术 柳叶刀方法 一、背景 监管科技（RegTech）这个词虽然在近几年才为公众所知，其发展已经历约二十年的时间，发展的过程可分为三个阶段：监管1.0，解决数字化和电子化的问题；监管2.0，解决网络化和协同化的问题、OA（办公自动化）的问题；监管3.0，解决自动化和智能化的问题。 中国金融监管机构在近期发布了多个监管科技建设工作的顶层设计文件。证监会发布《中国证监会监管科技总体建设方案》，提出了7大场景、32种落地场景，还有6大基础能力；银保监会发布了《银行业金融机构数据治理指引》；人民银行发布了《金融科技（FinTech

现在，用户可以在 Kaggle 平台上获取 arXiv 论文了！ 机器之心报道，编辑：杜伟、小舟。 众所周知，arXiv 是我们搜索、浏览和下载学术论文的重要工具。近 30 年来，arXiv 为公众和研究社区提供了开放获取学术论文的服务。这些论文涉及物理学的庞大分支和计算机科学的众多子学科，如数学、统计学、电气工程、定量生物学和经济学等等。 arXiv 上研究论文数量之多有利也有弊。一方面，对于在自身研究领域迅速成长的研究生，以及致力于用科研为公众提供服务的研究者而言，这一丰富的信息库可以提供极有效的助力。另一方面，arXiv 有时在搜索时也有不便。 与此同时，Kaggle 通常是数据科学家和机器学习工程师寻求有趣数据集、公开笔记和赛题的重要平台。研究者可以利用 Kaggle 上广泛的数据探索工具，轻松地与他人共享相关脚本和输出。 所以，是不是可以将 arXiv 上的巨量学术论文打包放在 Kaggle 上呢？ 近期，为了让 arXiv 可用度更高， 康奈尔大学和其他一些开发者在 kaggle 上创建了一个免费、开放的 arXiv 数据集。 该数据集是一个含有 170 多万篇学术论文的存储库，用户可以获取论文的标题、作者、类别、摘要、全文 pdf 等。 arXiv 执行董事 Eleonora Presani 表示：「在 Kaggle 上放置完整的 arXiv 语料库，可以极大地增强

　　机器之心原创 　　 作者：张倩 　　 「Everyone’s talking about AI. Huawei is making it happen.」 　　你坐飞机的时候有没有想过一个问题：「为什么我坐的飞机总是不靠廊桥，还要拿着行李去挤摆渡车？」 　　 　　通常，相关人员会告诉你：廊桥资源比较珍贵，因此飞机靠桥的几率要低于停在远机位的几率。 　　其实，这个答案只说出了一部分原因。 　　随着机场航班数量的不断增加，「靠桥率」成为了衡量机场运行管理水平 的重要指标。要在这个指标上有所提高，除了改善硬件之外，「调度」也是一个突破口。 　　在国内，深圳机场率先找准了这个「突破口」。 　　深圳机场的廊桥机位与远机位的比例为 1:3。按照这个比例，很大一部分乘客都需要乘坐摆渡车。那么，如何让更多的航班停靠在廊桥呢？深圳机场给出的解决方案是：AI 智能调度。 　　在 2018 年之前，深圳机场使用的调度方案主要是人工和系统配合的，每天 1000 多个航班的机位分配需要花掉 4 个小时。从 2018 年 11 月开始，深圳机场开始建设机位资源智能分配系统，2019 年正式上线。该系统将靠桥率提升了 10 个百分点，每个廊桥每天能多保障一个航班，一年之内为 400 万旅客省去了坐摆渡车的麻烦。同时，它还将机位分配的时间缩短为 1 分钟。 　　在刚刚结束的华为云 TechWave

面试，一个令人大多数同学头疼的问题，要么成功进入心仪公司，要么沮丧与其失之交臂。但是，如果能在面试前就能知道面试官将会问的问题，然后可以好好提前准备，这种感觉是不是特别棒？ 之前社区帮大家汇总了目前 15 家重量级公司的招聘需求更新在社区招聘帖，也收到了很多同学的反馈： “ 投了一堆简历，但是都没面试机会 ” “ 面试官说是想招高阶人才 ” “**哎，感觉像我这种毕业年限短， 公司又是小公司，本科也不太好的，找工作太难了**” 最后只能总结： “ 我不优秀，我连面试机会都没有 ” 也太南南南了！ 那么究竟怎么积累技术实力，成为 Flink 高级开发，拿下心仪公司的 offer 呢？小松鼠征集了 Flink 用人主管的核心诉求并提供一份超级清晰、实用的学习路径。虽然我们都不会读心术，但破解面试难题也有思路可寻！ Tips： 2020 Flink 最新招聘信息查看请见下方链接，内推或有招聘需求的公司可联系小松鼠（微信ID:Ververica2019）投递 JD～ 2020 最新 Flink 招聘岗位汇总： https://juejin.im/post/5df9e25fe51d4557f5450274 01 了解用人主管的需求 在收集招聘信息时小松鼠了解到用人主管的核心需求以及面试了部分同学之后的感受，总结下来主要分为以下方面： 经验都偏少，缺乏 复杂场景的历练 在用 Flink