论文浅尝 | LightRNN：存储和计算高效的 RNN
链接：https://arxiv.org/pdf/1610.09893.pdf 动机 在NLP任务中使用RNN已经被证明是很有用的模型方法。但是传统的RNN在NLP中的应用有一个很大的限制：RNN的输出输入Embedding占用的空间太大，比如1024维10M词表大小的Embedding矩阵就要占掉40GB，这在大部分的GPU上都是不可训练的。本文的目标就是解决Embedding过大和参数过多的问题。 亮点 文章的亮点主要包括： 1. 通过二维Embedding使得参数所占空间和数量大幅减少，
见面会 | 图灵奖得主Silvio Micali深度解析区块链安全、性能和去中心化问题
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/heyc861221/article/details/82529871 关于区块链，如果你不了解Algorand，你一定知道麻省理工学院（MIT）和图灵奖（该奖项有“计算机届的诺贝尔奖”之称）。 2018年2月，图灵奖得主、MIT教授、密码学先驱Sivio Micali募集400万美元开发Algorand区块链协议一事受到了国内外媒体的普遍关注。通过其独一无二的商业级区块链交易平台，Algoran
技术动态 | 事理图谱，下一代知识图谱
本文转载自公众号：DataHorizon。 人工智能与认知智能 当前人工智能时代下，机器与人类之间的博弈一直在进行着。如图1所示，从1926年达特茅斯会议的召开标志人工智能诞生到深度学习模型在若干人工智能领域大规模应用的如今，人工智能已经走过近60年的时间。人工智能的发展先后经历了两次黄金期以及两次低谷。1957年第一款神经网络的发明点燃了第一次人工智能的高潮，而随后在20世纪70年代，受限于当时的运算资源，并不能完成大规模的数据训练，人工智能一度陷入低谷，直到1982年德普摩尔神经网络的提出
用 30 个实例完全解读 TOP 命令
Linux中的top命令显示系统上正在运行的进程。它是系统管理员最重要的工具之一。被广泛用于监视服务器的负载。在本篇中，我们会探索top命令的细节。top命令是一个交互命令。在运行top的时候还可以运行很多命令。我们也会探索这些命令。 （译注：不同发行版的top命令在各种细节有不同，如果发现不同时，请读你的帮助手册和命令内的帮助。） 1. Top 命令输出: 首先，让我们了解一下输出。top命令会显示系统的很多信息。我们需要理解不同部分输出的意义：默认运行时，top命令会显示如下输出： 前几行
为什么有些年轻人爱过圣诞，却厌倦了春节？
导读：今天就是小年了，你有没有进入节日状态？你那里年味浓吗？一年又一年，你是每年都过得有创意，还是遵守传统习俗？如果对比一下圣诞和春节，你都有哪些不同的感受？ 来源：谷雨数据（ID：guyudata） 前一段时间，电影宣传片《啥是佩奇》刷屏朋友圈，因孙子过年想要“佩奇”，老人走遍全村只为知道一个答案，“啥是佩奇？” 看完短片不少网友评论，“看完心里有点难受”“年度最佳广告”“想回家过年了”……其实影片能火，核心的情绪还是过年回家的共鸣，是对乡土中国亲情连接的洞察。 01 节日之王进入新常态？
论文浅尝 | 提取计数量词丰富知识库
OpenKG 祝各位读者新年快乐！ 论文标题：Enriching Knowledge Bases with Counting Quantifiers 论文链接：https://link.springer.com/content/pdf/10.1007%2F978-3-030-00671-6_11.pdf 发表会议：ISWC 2018 论文源码：https://github.com/paramitamirza/CINEX 摘要 信息抽取通常关注于抽取可辨识实体之间的关系，例如 <Monterey
论文浅尝 | 用对抗学习做知识表示（NAACL2018）
论文链接：https://arxiv.org/pdf/1711.04071.pdf 代码链接：https:// github.com/cai-lw/KBGAN 本文针对在生成负样本时有大部分负样本可以很好地和正样本区分开，对训练的影响不大，提出了使用生成对抗网络（GANs）的方法，解决生成的负样本不够好的问题。它是第一个考虑用对抗学习生成负样本的工作。 设计模型时，本文把基于概率的log损失的表示学习模型作为生成器得到更好的负样本质量；使用基于距离的边缘损失的表示学习模型作为判别器得到表示学习
从VR、AR购物到MR我们到底需要什么样的购物方式？
随着造物节的开始，再一次掀起了人们对未来购物方式的探索，从VR、AR到MR，在看似炫酷的技术背后，我们到底需要什么样的购物方式。从技术落地的角度来看，VR、MR基本上都离不开外置设备的支持，想要获得良好的用户体验，对于硬件的要求都是极高的。不仅是配置高，价格也很高。光是这两个门槛可能就会把大部分消费者拒之门外。相比之下AR技术恐怕是目前最具落地性的可提升购物体验的技术手段了。从这一点来看也能够说明为什么苹果、谷歌等科技巨头都将资源投入在AR的研发上。 你所遇到的网购问题可能只有AR能解决 你是
论文浅尝 | 基于知识图谱嵌入的 Bootstrapping 实体对齐方法
来源: IJCAI 2018 链接: https://www.ijcai.org/proceedings/2018/0611.pdf 本文关注基于知识图谱嵌入(后文全部简称为知识嵌入)的实体对齐工作，针对知识嵌入训练数据有限这一情况，作者提出一种 bootstrapping 策略，迭代标注出可能的实体对齐，生成新数据加入知识嵌入模型的训练中。但是，当模型生产了错误的实体对齐时，这种错误将会随着迭代次数的增加而累积的越来越多。为了控制错误累积，作者设计了一种对齐样本编辑方法，对每次迭代生成的对齐
用了很多年Dubbo，觉得自己挺厉害？
搞了N年Java，仍有不少朋友困惑：用了很多年Dubbo，觉得自己挺厉害，跳槽面试时一问RPC，一问底层通讯，一问NIO和AIO，就一脸懵逼，到底该怎么办？ 画外音：大家有没有这样的感触？Dubbo用得很熟，但底层却很模糊 学习Netty，对理解Java底层通讯机制有很大帮助。对于Java开发者来说，如果没有搞透Netty，谁敢说自己是Java专家？ 画外音：面试时，一般都会问Netty相关的问题，如果不会的话，会非常吃亏 掌握Netty，是深入Java技术栈的必经之路。 那到底怎么样深入的学
领域应用 | 从数据到智慧，知识图谱如何推动金融更智能？
本文转载在公众号：恒生技术之眼。 在《人工智能+知识图谱：如何规整海量金融大数据？》一文中，笔者曾提到，面向人工智能的大数据治理，势必能有效支撑智能金融从感知智能向认知智能变革。这是因为目前在资本市场中，大数据的治理存在一些问题，比如非结构化数据的处理与使用、实时敏捷的数据处理与使用以及多源异构的数据孤岛等。 而知识图谱在智能金融中扮演的正是数据加工、处理的角色，能够为数据服务提供相应的支持。比如对于多源异构的数据，知识图谱能做到比较好的集成，通过统一的数据表示与建模、统一数据处理与存储来降低
综述 | 事件抽取及推理 (上)
本文转载自公众号：知识工场。 事件概要 事件是一种重要的知识，近年来，越来越多的工作关注于从开放域或领域文本中抽取结构化事件知识。同时，除了本身就很困难的事件抽取任务之外，近年来，越来越多的研究者开始关注于事件的推理工作中（事理推理，事件时序关系推理，事件 common sense level 的 intent 和 reaction 推理）。ACE给了事件定义为： Anevent is a specific occurrence involving participants. An event
世上最慢“动物”之一，为啥程序员却很爱它？
导读：Python 是世界上使用最广泛的编程语言之一，它至今已经存在了28个年头。对于大多数人，尤其是刚接触 Python 的初学者（以及 C 程序员）来说，有一个问题经常会被提起：“为什么 Python 这么慢，还能这么受欢迎？” 或者说，为什么 Python 程序员、开发者不担心它的速度问题？这篇文章给大家详细分析一下主要原因。 作者：Bobby 编译：欧剃 来源：优达学城Udacity（ID：youdaxue） ▲地球上最慢的“动物” 01 为啥 Python 在速度上没有优势？ 在详细
综述 | 事件抽取及推理 (下)
本文转载在公众号：知识工场 。 上篇事件抽取及推理的推文已经介绍了事件抽取的基本方法，本篇主要介绍事件推理的相关工作。就目前来看，事件方向相关的研究还是以事件抽取为主流任务，当前大多都是在模型的框架和优化方面进行研究。同时，事件推理的相关工作有众多领域并且没有一个主流的事件推理方向。近年来，越来越多的工作关注于事件的各个方面的推理，比如事件因果关系推理 ( Event causality inference ), 脚本事件推理 ( Script event prediction ), 常识级别
快抢！猪年之前最后一波送书福利，错过只能等“明年”
导读：马上要过年了，数据叔早已无心工作，灵魂已经在路上，思维已经放空，编不出来文案了。今天的内容只能用书来凑了，数据叔整理了近期优质新书，作为新春贺礼送给大家。 本来数据叔想在年前走完开奖、寄书流程，无奈快递小哥都放假了，年前没法寄书了。不过这样也好，大过年的，满满干货的烧脑技术书送到你手上，你是看还是不看呢？ 今天这条就是这么简单粗暴！以下是10本精选好书，以及赠书活动规则…… 1 《Effective Java中文版（原书第3版）》 作者：约书亚·布洛克 经典Java畅销书！Java程序员
论文浅尝 | 基于深度强化学习的远程监督数据集的降噪
论文链接：https://arxiv.org/pdf/1805.09927.pdf 来源：ACL2018 Motivation： 远程监督是以一种生成关系抽取训练样本的方法，无需人工标注数据。但是远程监督引入了噪音，即存在很多的假正例。本文的出发点非常简单，希望通过强化学习的方法来训练一个假正例的判别器，它可以识别出数据集中的假正例，并加入到负例集中。产生更加干净的训练集，从而提高分类器的性能。 Relatedwork： 对于远程监督的噪音，之前常用的做法是加attention机制，给以真正例
2017年Docker 大事件回顾，Kubernetes 登陆Docker 平台
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/dt763C/article/details/78969103 出品丨Docker公司（ID：docker-cn） 编译丨小东 每周一、三、五晚6点10分 与您不见不散 说在前面 上周小编为大家带来了2017年读者最喜欢的五篇文章中的第一篇（2017微软拥抱容器技术历程回顾，手把手带您构建原生的Windows 容器）。今天我将为大家带来第二篇内容，这篇文章将带您深入了解业界领先的容器平台以及加入到
论文浅尝 | 区分概念和实例的知识图谱嵌入方法
链接：https://arxiv.org/pdf/1811.04588.pdf 知识图谱的表示学习最近几年被广泛研究，表示学习的结果对知识图谱补全和信息抽取都有很大帮助。本文提出了一种新的区分概念和实例的知识图谱表示学习方法，将上下位关系与普通的关系做了区分，可以很好的解决上下位关系的传递性问题，并且能够表示概念在空间中的层次与包含关系。本文的主要贡献有三点：（1）第一次提出并形式化了知识图谱嵌入过程中概念与实例区分的问题。（2）提出了一个新的嵌入模型TransC模型，该模型区分了概念与实例，
25,000,000 行的代码就问你敢不敢动？！
导读：你经历过绝望吗？ 前一段时间，Hacker News 上发起了一个名为“你见过最糟糕的代码是什么？”的话题，引发了无数网友回忆讨论，甚至还再次让软件巨头 Oracle 登上头条。 链接： https://news.ycombinator.com/item?id=18442637 本文经授权转自公众号CSDN（ID：CSDNnews），作者：屠敏 01 25,000,000 行的代码就问你敢不敢动？！ 日前，我们还在说如今的 Oracle 惨遭亚马逊、Salesforce 弃用，究其根本原
用AI驱动个性化语言学习 励步英语举行新品发布会
近日，好未来旗下英语品牌励步英语在北京举行“用ai驱动完整学习——励步英语新十年”新产品发布会。 科学的英语学习应该实现“语言的完整学习”，即从知识内化为技能，再从技能上升为素养。由此，励步英语推出3.0完整学习产品，提出“用ai驱动完整学习”的全新理念。知名科幻作家、童行学院创始人郝景芳，国际语言教育专家Mike Morley等嘉宾也基于此分享了对于素养提升、二语学习等教育问题的思考。此外，数百位励步英语学员家长受邀参加了本次发布会。 励步英语新产品发布会现场 新十年新产品，励步英语发布3.
今日推荐
周排行