reaction

AAAI 2019.2 简单介绍 包含87万条推理常识的知识图谱，和基于本体论分类条目的kg相比，这个知识库专注于“如果…那么…”关系的知识。 9种类型的因果联系来区分原因-效果、主体-主题、自愿-非自愿、行动-心理状态。 通过生成式训练，模型可以从kg中获取简单的常识推理能力。 构建这个常识kg的动机 人类在观察事件的一个小片段时，能够轻松地推理出事件的前因后果。 （图片的呈现信息，是一个人；而一段话的呈现信息，似乎不是很够。所以如果能够像人一样知道前因后果，相当于可以根据一段文字推理出内容，形容一个生动的故事。） 比如：事件“x防御了y的攻击”，我们能够马上推理出 x的动机是“保护自己”、 x这么做的先决条件是接受了一定的防身技巧、 x可能的特点是强壮勇敢。 事件的结果可能是： x会感觉生气并报警、 y可能会觉得害怕并想要逃走。 形象的表达 正是由于人类具备常识推理的能力，才能通过一部2个小时的电影理解一个长达几个月的故事。而这种能力对于当代的AI系统而言则是欠缺的，因为这些系统是在任务驱动的数据集上训练的，没怎么接触过常识。所以作者提出了ATOMIC常识图谱，目标是做到大规模、高覆盖和高质量。 架构 3大类型组成的9个关系和877k的（事件、关系、事件）三元组构成。分别是： 事件导致心理状态：（同 event2mind） x intent：x为什么想发起这次事件 x

原文地址： mobx autorun 文本是 mobx 源码解读系列 第四篇 本系列文章全部采用 mobx 较新版本： v5.13.0 mobx 源码解读 issue，欢迎讨论 技术前提 在阅读之前，希望你对以下技术有所 了解或实践 ，不然可能会影响你对本文的理解 ES6 装饰器：decorator ES6 代理：proxy ES6 反射：reflect 定义对象属性：Object.defineProperty 实现简易版 观察者模式 实现简易版 MVVM（可选） 准备 这篇文章和 mobx 源码解读系列（三） 有很强的关联，建议先看懂再看文本 上篇讲的 mobx 中的依赖收集 可以浓缩为一个函数： schedule ，这篇我们讨论该函数是如何使用的 说明： mobx 对于依赖收集的优化是非常多的，其中包括 computedValue 的 POSSIBLY_STALE 状态和 shouldComputed 判断等等，喜欢的自行 dive in 吧 上源码 一、Reaction Reaction 最重要的两个函数：onInvalidate 和 track 前者作用是对变化作出反应，为构造函数参数，后者作用是收集依赖 试想，将两者结合到一起：根据变化自动收集依赖，然后作出反应。这不就是 autorun 吗 那 schedule 函数又是啥呢，其实它最终调的就是 track +