知识图谱

在2021年新春到来之际，泽宇祝您和您的家人新春快乐，牛年大吉，身体健康，万事顺遂，牛气起来。 我们在元旦那一期的文章《 年末巨制：知识图谱嵌入方法研究总结 》中系统介绍了知识图谱嵌入方法，这也是泽宇读博这几年的研究方向，其中对于经典和前沿各种知识图谱嵌入方法根据自己的理解进行了总结，同时包括相关开源平台和数据集的介绍。很多小伙伴纷纷希望取得原版slides，在此泽宇将原版《 知识图谱嵌入方法研究 总结.pdf》 作为新春礼物免费送给您，取得方式为百度网盘（7天有效）： 链接: https://pan.baidu.com/s/19eJiBtWAYLKzk-wu_PniMA 提取码: h87r 新的一年希望我们能一起学习和交流更多关于AI和知识图谱的有趣的知识。 本文分享自微信公众号 - 人工智能遇上知识图谱（AIKGbyzeyu）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4595922/blog/4954297

↑公众号关注 “Graph-AI” 专注于 图机器学习 IJCAI2020 图相关论文集 “ IJCAI（International Joint Conference on Artificial Intelligence，国际人工智能联合会议），是人工智能领域中最主要的学术会议之一，是CCF A类会议。 “ 本文将该会议与图相关的文章进行了整理，IJCAI接受的论文分为主赛道和特别赛道，都进行了大致的分类：计算机视觉、数据挖掘等。但因为本文是关注图方面的，所以按照图的种类来进行筛选。 “ 全部收录论文地址：http://static.ijcai.org/2020-accepted_papers.html Main track 图卷积网络 MR-GCN: Multi-Relational Graph Convolutional Networks based on Generalized Tensor Product LSGCN: Long Short-Term Traffic Prediction with Graph Convolutional Networks Multi-Class Imbalanced Graph Convolutional Network Learning Multi-View Attribute Graph Convolution Networks for

目前，作为深度学习的代表算法之一，卷积神经网络（Convolutional Neural Networks，CNN）在计算机视觉、分类等领域上，都取得了当前最好的效果。 后来，基于深度神经网络和搜索树的智能机器人“AlphaGo”在围棋上击败了人类，这是CNN 给人们的一个大大的惊喜。一年后的 Master 则更是完虐了所有人类围棋高手，达到神一般的境界，人类棋手毫无胜机。 可以说，卷积神经网络是深度学习算法应用最成功的领域之一。 目前，CNN应用也十分广泛。例如Facebook用它进行自动的图像标签，google用它做照片检索，amazon用它做产品推荐，Pinterest用它做个性化家庭定制推送，Instagram用它搭建他们的搜索架构。 那么，基于CNN最经典也是最流行的应用应当是图像处理领域。 而研读卷积神经网络的经典论文，对于学习和研究卷积神经网络必不可缺。 今天，给大家推荐一些资料，有 论文、知识图谱。 7份经典学术论文 这些论文大部分都发表在计算机视觉顶级学术会议上。 这7份论文资料，100p以上的内容体量。 建议收藏学习。 01 resnet 02 CNN 03 batchnorm 04 alexnet 05 visualzing 06 resnet 07 yolo4 目前， 2000+ 的看过这个论文资料的同学都顺利成为各公司算法工程师。大家扫码添即可领取

C++一直被称作永不过时的开发语言，比如游戏、服务器、人工智能等领域都必须用到C++！ 虽然网上有很多教程和资料，但仍有很多人说C++难学，究其原因是 没有找到正确的学习方法 ！ GoogleTest框架一直广泛应用于C/C++项目测试 ，是一个非常重要的测试软件。 它的开发过程几乎 覆盖C++核心知识和C++项目开发经常遇到的问题 ，是新手锻炼C++开发能力最好的项目之一！ 因此，今天就给大家分享1个《 C++开发实战3天特训营 》！ 这个训练营，老师会带你使用C++实现快速排序算法， 深刻理解C++编程思想 。 而且会重点带你经历，从GoogleTest实现原理到构建项目的全流程，让你能够从0到1独立开发一个C++项目， 快速提升项目能力 ！ 特训营老师胡船长是我一直非常敬重的大神，他早在10年前就获得了 ACM亚洲区金牌 ，并 2次晋级全球总决赛 。 此后任职 百度知识图谱部 ，推动开发百度NLP推理引擎开发。 他也会从自己在百度多年的面试角度出发， 讲解大厂面试的核心关键点 ，教你如何准备大厂面试，拿下高薪offer！ 特训营原价 599 元，靠着关系搞到 100 个免费名额， 0 元即可入学！只要你是统招本科及以上学历，就可以抢占！ 长按3秒 即可扫码 你现在长按识别上方二维码或点击阅读原文，即可直接抢占 0 元免费名额。 本文分享自微信公众号 - 程序员cxuan

论文标题： Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion 论文来源： ACM SIGKDD 2020 论文链接： https://arxiv.org/abs/2007.04032 会话推荐系统(conversation recommender system, CRS)旨在通过交互式的会话给用户推荐高质量的商品。通常CRS由寻求商品的user和推荐商品的system组成，通过交互式的会话，user实时表达自己的意图，system理解user的偏好并推荐商品。目前会话推荐系统有两个问题需要解决。首先，对话数据本身缺少足够的上下文信息，无法准确地理解用户的偏好（传统的推荐任务会有历史交互序列或者用户属性，但是该场景下只有对话的记录）。其次，自然语言的表示和商品级的用户偏好之间存在语义鸿沟（在“Can you recommend me a scary movie like Jaws”中，用户偏好反映在单词”scary“和电影实体”Jaws“上，但这两类信息天然存在语义的差异）。 为了解决上述问题，本文提出了模型 KG -based S emantic F usion approach（KGSF），通过互信息最大化的多知识图谱语义融合技术

论文笔记整理：潘锐，天津大学硕士。 链接：https://www.aaai.org/ojs/index.php/AAAI/article/view/6425 来 源：AAAI 2020 论文简介 保持对话的一致性和避免内容重复是构建以知识为基础的多轮对话系统的两个关键因素。尽管一些工作倾向于将对话历史与外部知识（如个人背景信息）结合起来以提高对话质量，但它们往往忽略了将相同的知识多次融入对话会导致内容重复。这一现象的主要原因是缺乏对对话层面知识使用的有效控制。为此，本文设计了一种历史自适应知识融合机制，构建了一种有效的多轮对话模型，通过反复更新知识并逐步将其融入历史，来解决内容重复问题。 方法及模型 1、模型概述 模型由三部分组成：编码器层、历史适应层和输出层。 首先，编码器层使用Bi-GRU分别捕获外部知识、历史信息和候选答案的上下文信息。之后利用self-attention机制识别重要信息，忽略无关信息。在历史适应层中，反复更新外部知识，并逐步将其融入历史。这不仅有助于历史捕获知识，而且可以动态更新基于历史的知识。然后利用层次递归网络提取序列信息和上下文信息。最后，在输出层中计算历史记录和候选回复的相似度。 2、编码器层 编码器层负责提取上下文信息。具体地说，知识信息P、历史信息C和候选回答信息A分别由编码模块处理。编码模块由一个Bi-GRU组件和一个self

产品入门-第一份产品体验报告 Kindle阅读-随时随地畅享阅读 时间：2018/11/18-11/22 Kindle阅读 一、产品概括 （1）体验环境 机型：荣耀8 系统： EMUI 8 .0（ Android 8 .0） App版本：8 .12 .0 .59 体验时间：2018 .11 .18-11 .22 （2）产品概括   kindle阅读是一款由亚马逊（Amazon）团队2009年推出的免费电子书阅读软件，主打电子书阅读，通过Kindle阅读，只需一次购买Kindle电子书，即可在你的平板电脑、智能手机、Kindle设备或个人电脑间无缝切换，畅享阅读。在App Store上最新版本的kindle阅读的评分高达4.8分（4.4万次评分），Kindle阅读的书库包含了五十余万本出版文学电子书，包括小说、文学、经管、社科、少儿进口原版类畅销书。 （3）产品定位  产品定位：海量图书随身带，出版书电子化阅读。  产品Slogan:随时随地畅享阅读。 （4）主要功能 与其他的电子设备无缝切换，资源完全同步，畅享阅读。 阅读记录，智能同步。 海量书籍，超低价格，任君畅读。 内置词典，生词提示，外文直接查词。 优质出版图书，尽在kindle电子书店。 二、产品及需求分析 （1）市场与行业   近年来随着我国经济发展由粗放型向集约型转变，经济发展进入结构优化的常态。国民的人均收入逐步提高

选自medium 作者： Jesus Rodriguez 机器之心编译 编辑：Panda Facebook 提出了一种可高效训练包含数十亿节点和数万亿边的图模型的框架 BigGraph 并开源了其 PyTorch 实现。 本文将解读它的创新之处，解析它能从大规模图网络高效提取知识的原因。 图（graph）是机器学习应用中最基本的数据结构之一。具体来说，图嵌入方法是一种无监督学习方法，可使用本地图结构来学习节点的表征。社交媒体预测、物联网模式检测或药物序列建模等主流场景中的训练数据可以很自然地表征为图结构。其中每一种场景都可以轻松得到具有数十亿相连节点的图。图结构非常丰富且具有与生俱来的导向能力，因此非常适合机器学习模型。尽管如此，图结构却非常复杂，难以进行大规模扩展应用。也因此，现代深度学习框架对大规模图数据结构的支持仍非常有限。 Facebook 推出过一个框架 PyTorch BigGraph：https://github.com/facebookresearch/PyTorch-BigGraph，它能更快更轻松地为 PyTorch 模型中的超大图结构生成图嵌入。 某种程度上讲，图结构可视为有标注训练数据集的一种替代，因为节点之间的连接可用于推理特定的关系。这种方法遵照无监督图嵌入方法的模式，它可以学习图中每个节点的向量表征，其具体做法是优化节点对的嵌入

　　 编辑：Panda 　　 Facebook 提出了一种可高效训练包含数十亿节点和数万亿边的图模型的框架 BigGraph 并开源了其 PyTorch 实现。本文将解读它的创新之处，解析它能从大规模图网络高效提取知识的原因。 　　 　　图（graph）是机器学习应用中最基本的数据结构之一。具体来说，图嵌入方法是一种无监督学习方法，可使用本地图结构来学习节点的表征。社交媒体预测、物联网模式检测或药物序列建模等主流场景中的训练数据可以很自然地表征为图结构。其中每一种场景都可以轻松得到具有数十亿相连节点的图。图结构非常丰富且具有与生俱来的导向能力，因此非常适合机器学习模型。尽管如此，图结构却非常复杂，难以进行大规模扩展应用。也因此，现代深度学习框架对大规模图数据结构的支持仍非常有限。 　　Facebook 推出过一个框架 PyTorch BigGraph：https://github.com/facebookresearch/PyTorch-BigGraph，它能更快更轻松地为 PyTorch 模型中的超大图结构生成图嵌入。 　　某种程度上讲，图结构可视为有标注训练数据集的一种替代，因为节点之间的连接可用于推理特定的关系。这种方法遵照无监督图嵌入方法的模式，它可以学习图中每个节点的向量表征，其具体做法是优化节点对的嵌入，使得之间有边相连的节点对的嵌入比无边相连的节点对的嵌入更近

作为人工智能领域中热度最高、挑战最大的子领域之一，自然语言处理（NLP）在最近几年得到了飞速的发展。2020 年我们又迎来了 GPT-3，1750 亿参数让其自诞生就引起了开发者们的激烈讨论。短短一年时间，知识图谱的成熟度由萌芽期一跃达到预期膨胀高峰且非常接近最高点… 近日，京东科技算法科学家、高级技术总监吴友政博士受邀做客InfoQ《大咖说》直播间，与我们分享了NLP领域的2020年大事记，以及未来一年最值得期待的变化。 京东科技算法科学家、高级技术总监——吴友政 1.InfoQ：吴老师，您好，非常高兴有机会和您对话。先请您简单总结下NLP领域在2020年的进展。 吴友政： NLP技术2020年仍然在快速发展的车道上。内容生成方向，以GPT-3为代表的预训练技术不仅在NLP、甚至在整个AI领域都受到了广泛关注。GPT-3生成的文章连人类也难辨真假。生成式AI也首次进入Gartner技术成熟度曲线，跟踪其成熟度和未来潜力。人机对话方向，谷歌去年初发布了Meena、Facebook后续发布了Blenderbot、以及Blenderbot和Pandora Kuki两个聊天机器人的“约会”遭全网围观，都极大地推动了人机对话技术的发展。此外，多模态智能、数字内容生成、图神经网络等技术都有非常大的进展。影响力上，NLP领域中的Transformer、预训练等技术在计算机视觉