知识图谱

↑公众号关注 “Graph-AI” 专注于 图机器学习 WWW2020 图相关论文集 “ WWW（International World Wide Web Conferences，国际万维网大会），由国际万维网会议指导委员会主办，是CCF A类会议。 “ 全部收录论文列表：https://dblp.uni-trier.de/db/conf/www/www2020.html 01 Full Paper 图卷积 Unsupervised Domain Adaptive Graph Convolutional Networks A Generic Edge-Empowered Graph Convolutional Network via Node-Edge Mutual Enhancement 异构图 Task-Oriented Genetic Activation for Large-Scale Complex Heterogeneous Graph Embedding MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding 图注意力模型 Towards Fine-grained Flow Forecasting: A Graph Attention Approach for

对于开发来说，我们在工作中多多少少都会遇到web服务的性能优化、高并发等问题，而 Nginx 是一个万能药。可以 在百万并发连接下实现高吞吐量的 Web 服务，同时诸多应用场景下的问题都可以通过种种 Nginx 模块得以解决。 我们都知道 Nginx 好用，但大多数人 对 Nginx 的理解和使用只停留在初步阶段，并没有挖掘出 Nginx 的效能，让它真正地为自己所用。 之前每次我发 Nginx 相关文章，总有粉丝留言说使用 Nginx 遇到的困惑，贴几个： Nginx 在工作中经常遇到，每次都是百度去查找，有时还搞不定，搞定了也不一定懂，这种一知半解的状态真的难受。 一开始公司让我来配置服务器，真的懵了，瞎复制，原理也不大懂。业务推着自己走，现在必须要搞懂 Nginx了，网上看了一堆资料，没个系统化，号主是怎么学的啊？ 号主有没有好的学习资料推荐？学了就能立马上手那种。 先给大家看一张 「Nginx知识框架图」，清晰得明白掌握Nginx需要学习哪些知识点。 此图谱出自于 Ngnix 领域的专家陶辉 之手 。 相信深入研究过 Nginx 的人都知道他，资历很硬核，先后在腾讯QQ空间、思科中国CRDC、阿里巴巴等公司待过，专注 Nginx 定制化应用很多年了。 更值得一提的是，这位大佬还在极客时间开了一个视频课程 —— 《Nginx核心知识100讲》 ，已经有超过 1.8+万人

面对屏幕越来越大、画质愈发精良的电视机，你是不是经常有这样的感觉：打开电视机，新闻、电视剧、电影、综艺、纪录片……内容选择太多，手足无措，最后随便播放点什么，然后去做别的事情，让电视机成为家庭氛围的一种点缀。 电视机产业一直在寻找创新。如何在智能手机、平板电脑等小屏幕移动端设备占据用户大量注意力的时代，重新焕发出大屏幕电视机的生机，成为了摆在整个电视机产业面前的难题。 为此，酷开网络这些年也想了很多办法，尝试了很多方向，最终选择拥抱AI技术，聚焦智能电视系统研发和智能电视运营增值服务两大领域。 目前，凭借在智能方面的深厚造诣，酷开网络业务扩展迅速，已经覆盖影视、广告、购物、游戏、教育、音乐等众多垂类，并受到广大用户的一致好评。 ▎来自大屏的烦恼 电视机之所以日渐衰落，本质上有两个因素，一是没有智能手机、平板电脑等小屏用着方便，想在哪看就在哪看；二是交互不够好，统一的界面、相同的内容，时间长了难免审美疲劳。 第一项显然没办法改变，那要想让电视机产业复苏，就得在第二项上多下功夫，即努力提升用户的电视观看体验，增加用户留存时长。要做到这一点其实并不容易，一来需要了解用户，知道用户的喜好，二来需要理解视频内容，做到精准分类，这样才能给到用户想要的视频内容。 为此，在百度智能云的助力下，酷开网络推出了智慧AI业务模块，其中一大亮点就是智能推荐，基于对用户和视频内容的理解，给二者做精准匹配。

目录 前言 1.整理一份思维导图 2.搜集一些大厂真题面试题自己解答 3. 不断的复述和巩固知识点 4. 加深技术的厚度 5. 出去装X吧 打铁还需自身硬（此方法不适合所有人） 小黄鸭学习法 关于结构化思维 5W1H法 链路法 其他方法 算法的学习方法 金玉良言 前言 以java面试为例，每一年的重点都是不一样的，招聘要求中可能出现你没有使用过的技术， 如：RPC、springboot、docker等。如果，2个月后要去面试，你心仪的公司，招聘要求上出现这样的你没有用过的技术，都不知道面试官会问这个技术的哪些问题。每年新出现的技术很多，但大部分是属于针对特定应用领域的编程框架。比如十几年前的各类Web编程框架，十年前的中间件框架，最近几年的深度学习框架等等。要快速掌握一个技术，需要学习的内容分为领域知识和框架两部分，并在此基础上要做一些实例来练习。领域知识是针对这个领域内通用的，即便是换个框架也能用的上。而框架知识则是领域知识的封装，方便编程使用的。 小编在这里总结了一篇学习方法，只要你本身不是很菜，用此方法两个月足够学好多个技术，而且是真学会、可以拿出来用的那种。需要注意的是，此方法对于大部分技术都很有效（比如java，spring，Redis、网络、操作系统等等），但对于算法、数据结构、设计模式这种需要慢慢积累基本功的不太有效。 1.整理一份思维导图

实战是学习一门技术最好的方式，也是深入了解一门技术唯一的方式。因此，NLP专栏计划推出一个实战专栏，让有兴趣的同学在看文章之余也可以自己动手试一试。 本篇介绍自然语言处理中一种非常重要的任务：命名实体识别。因为最常见的是Bilstm+CRF模型进行实体识别，本文介绍介绍另外一种有效的模型，Dilated-CNN+CRF模型，但是两种模型的代码都会给出。 作者&编辑 | 小Dream哥 1 命名实体识别任务介绍 笔者在这篇文章中，曾经系统的介绍过命名实体识别任务的相关 概念 和 语料 标注方式 ，不了解的同学可以先阅读这篇文章： 【NLP-NER】什么是命名实体识别？ 关于Bilstm和Dilated-CNN两个模型 理论 方面的内容，笔者在这篇文章中做了详细的介绍，不了解的同学可以先阅读这篇文章： 【NLP-NER】命名实体识别中最常用的两种深度学习模型 话不多说，既然是实战篇，我们就赶紧开始吧。 2 数据预处理 1) 查看数据格式 先了解一下数据格式，方便后面进行处理。如下图所示，语料为标准的BIO标注方式， 每个字和标记之间用空格隔开，语料之间用一个空行隔开 。 2）读取训练数据 def load_sentences(path, lower, zeros): """ 加载训练，测试，验证数据的函数 """ sentences = [] sentence = [] num = 0

2020年的年终总结，比以往时候来的更早一些。为什么呢？因为10月29日诞生了一个小可爱，我感觉未来几年，甚至是很多年都没有什么比家人和亲情更值得寄托了，因此迫不及待在返校前的深夜写下这篇年终总结，可惜要满月了才写完。 时光嘀嗒嘀嗒的流逝，转眼我已在CSDN写下第八篇年终总结，真是岁月如梭，我也变成了博友口中的“中年大叔”！2013年《一万年太久，只争朝夕》仿佛如昨；2014年本科毕业的《忆大学四年得与失》依然感叹；2015年选择回到贵州工作，《再见北理工》留恋不舍；2016年成为一名大学青年教师，《教书路开启，爱情味初尝》；2017年又借调到省发改委忙碌，留下《人生百味，有你真好》；2018年数不清的加班，尝不尽的酸甜，完成了《向死而生，为爱而活》，忆编程戎马岁月；2019年重返校园读博，通过两个人的故事述说着点滴，《把能努力的都努力好，最终等待命运垂青》。 那么，2020年，你的好友秀璋又将留下些什么呢？ 回首，2020年既是苦难的一年，又是英雄的一年。这一年既有Yi情的生离死别，也有防Yi的众志成城。无数华夏儿女奔赴前线，系万民康乐，保祖国安全，他们挺起了中华民族的脊梁，淬炼着我们中国梦的信仰。这些大爱离我们很远吗？不，它们就在我们的身边，因此这篇文章将以四个人的视角介绍，希望您喜欢。 2020年，不仅有我撰写的120篇技术博客，在github开源的85个项目

作者 | Ken Gu 翻译| 火火酱~，责编 | 晋兆雨 出品 | AI科技大本营 头图 | 付费下载于视觉中国 *文末有赠书福利 不可否认，Transformer-based模型彻底改变了处理非结构化文本数据的游戏规则。截至2020年9月，在通用语言理解评估（General Language Understanding Evaluation，GLUE）基准测试中表现最好的模型全部都是BERT transformer-based 模型。如今，我们常常会遇到这样的情形：我们手中有了表格特征信息和非结构化文本数据，然后发现，如果将这些表格数据应用到模型中的话，可以进一步提高模型性能。因此，我们就着手构建了一个工具包，以方便后来的人可以轻松实现同样的操作。 在Transformer的基础之上进行构建 使用transformer的主要好处是，它可以学习文本之间的长期依赖关系，并且可以并行地进行训练（与sequence to sequence模型相反），这意味着它可以在大量数据上进行预训练。 鉴于这些优点，BERT现在成为了许多实际应用程序中的主流模型。同样，借助HuggingFace Transformer之类的库，可以轻松地在常见NLP问题上构建高性能的transformer模型。 目前，使用非结构化文本数据的transformer模型已经为大众所熟知了。然而，在现实生活中

对话系统包括闲聊、问答、任务型对话三大部分。 问答系统特指那些一问一答形式的聊天。 任务型对话指用户希望通过聊天的方式达成某种目的。 闲聊中，对话系统的输出不一定是肯定句，也可以是问句。 开放域问答系统虽然开放，但它能够解决的问题类型是有限的： 按照问题类型，又可作如下划分: 事实型问题：WH 问题，例如 when / who / where 等； 是非型问题：Is Beijing the capital of China? 对比型问题：Which city is larger, Shanghai or Beijing? 观点型问题：What is Chinese opinion about Donald Trump? 原因/结果型问题：how / why / what 等。 特定领域的问答系统的构建通常使用知识图谱的方式。知识图谱的基本组成就是三元组，知识图谱的工具体系包括：知识图谱编辑工具、知识图谱查询工具。 知识图谱问答最大的缺点是它需要构建知识图谱，问答系统不具备可迁移性，不同领域需要整理不同的知识，这是工作量最大的部分。并且，知识图谱的整理需要专家知识，这项工作无论交给程序员来做还是交给业务方来做都是一项艰难的工作。知识图谱问答的优点在于它简单直接、可解释性强、可以执行高阶逻辑查询。 基于阅读理解的问答系统一定程度上可以认为是专门为了解决知识图谱问答存在的问题

加入AI行业拿到高薪仅仅是职业生涯的开始。 现阶段AI人才结构在不断升级，对AI人才的要求也不断升高，如果对自己没有很高的要求，其实很容易被快速发展的趋势所淘汰。 为了迎合时代的需求，我们去年推出了 《机器学习高端训练营》 班。这个训练营的目的很简单： 想培养更多高端的人才，帮助那些即将或者目前从事科研的朋友，同时帮助已从事AI行业的提高技术深度。 在本期训练营（第四期）中我们对内容做了大幅度的更新，一方面新增了对前沿主题的讲解如 图神经网络（GCN,GAT等） ，另外一方面对核心部分（如凸优化、强化学习）加大了对 理论层面上的深度 。 除此之外，也会包含 科 研方法论、元学习、解释性、Fair learning 等系列主题。 目前在全网上应该找不到类似体系化的课程。 课程仍然采用 全程直播 授课模式。 那什么样的人适合来参加高阶班呢？ 从事AI行业多年，但技术上总感觉不够深入，感觉在 技术上遇到了瓶颈； 停留在使用模型/工具上，很难基于业务场景来 提出新的模型； 对于机器学习背后的优化理论、前沿的技术不够深入； 计划从事尖端的科研、研究工作、申请AI领域研究生、博士生； 打算进入最顶尖的AI公司比如Google，Facebook，Amazon， 阿里，头条等； 读ICML，IJCAI等会议文章比较吃力，似懂非懂感觉， 无法把每个细节理解透； 01 课程大纲 第一部分

加入AI行业拿到高薪仅仅是职业生涯的开始。现阶段AI人才结构在不断升级，对AI人才的要求也不断升高，如果对自己没有很高的要求，其实很容易被快速发展的趋势所淘汰。 为了迎合时代的需求，我们去年推出了 《机器学习高端训练营》 班，由学院创始团队亲自授课，受到了广大学员的好评。 在本期训练营（第四期）中我们对内容做了大幅度的更新，一方面新增了对前沿主题的讲解如 图神经网络 ，另外一方面对核心部分（如凸优化、强化学习）加大了对 理论层面上的深度 。 目前在全网上应该找不到类似体系化的课程。 课程仍然采用 全程直播 授课模式。 那什么样的人适合来参加高阶班呢？ 从事AI行业多年，但技术上总感觉不够深入，感觉在技术上 遇到了瓶颈 ； 停留在使用模型/工具上，很难基于业务场景来 提出新的模型 ； 对于机器学习背后的优化理论、前沿的技术不够深入； 计划从事尖端的科研、研究工作、申请AI领域研究生、博士生； 打算进入最顶尖的AI公司比如Google，Facebook，Amazon， 阿里，头条等； 读ICML，IJCAI等会议文章比较吃力，似懂非懂感觉， 无法把每个细节理解透； 01 课程大纲 第一部分：凸优化与机器学习 第一周：凸优化介绍 从优化角度理解机器学习 优化技术的重要性 常见的凸优化问题 线性规划以及Simplex Method Two-Stage LP 案例：运输问题讲解 第二周