JenniferWu'Blog

同一实体在不同的database下可能有不同的表示。 ontology matching（schema matching）本体匹配element-level matchingString-based: 字符串前半部分或后半部分相同 Levenshtein distance e.g. sim(NKN, Nikon)=2/5=0.4 N-gram, (此处分母取长单词所分割成的个数) Language-based: 将带连接符的单词分开 将过去式、复数等化为原型 去掉冠词、介词等 Resource-based: WordNet A=B（同义词）, A⊥B (A,B 是反义词或具有层级 ...

本文我们不深入讲解 Entity linking、Relation Extraction、Event Extraction，这些在NLP中都已讲过。我们重点探究 General is-a Relation Extraction 和 Terminology/Term Extraction 这两个task。 General is-a Relation Extractionis-a relation is the semantic relationship between a more specific word (hyponym 上位词) and the more general term (h ...

fact extraction/type inference/taxonomy Induction

Extracting knowledge from heterogeneous data sources to form a knowledge graph Basic of Relation Database在表格中，我们会遇到同一事物的不同表示或者相同的表示针对不同事物，以及一些信息的重复记录，我们可以提取表格中的某些信息形成新的表格。 Database terms: A database is a collection of data Data is organized into one or more tables Each row is a record Each column ...

KG reasoning is to infer new knowledge from the given KG. logical reasoningdeductive reasoning 推导结论若下雨，则草地会变湿。因为今天下雨了，所以今天草地是湿的。 forward reasoning start with available data and use inference rules to extract more data until a goal is reached. RDFS rules: 123a rdfs:domain x . u a y ._____________ ...

XML,RDF,RDFS,OWL

Definition ​ A field of AI that tries to emulate the judgment and behavior of a human expert in a given field. KE refers to all technical, scientific and social aspects involved in building, maintaining and using knowledge-based systems. knowledge-based system: a computer program that reasons a ...

一、实验内容 阅读分析Linux内核源代码, 了解进程控制块, 进程队列等数据结构 实现一个系统调用hide，使得可以根据指定的参数隐藏进程，使用户无法使用ps或top观察到进程状态, 要求: 实现系统调用 int hide(pid_t pid, int on); 在进程pid有效的前提下，如果on置1，进程被隐藏，用户无法通过ps或top观察到进程状态；如果on置0且此前为隐藏状态，则恢复正常状态； 考虑权限问题，只有根用户才能隐藏进程； 设计一个新的系统调用int hide_user_processes(uid_t uid, char *binname)，参数uid为用户ID号，当 ...

词性标注 Tag Description Tag Description CC Coordinating conjunction RB Adverb IN 介词 SYM Symble JJ Adjective VB Verb NN None DT Determiner 限定词 Hidden Markov Model

PTMs两大范式1.浅层次嵌入（Non-Contextual Embeddings） 词嵌入 训练目标 预料范围 特点 NNLM 语言模型 局部语料 基于语言模型训练，词嵌入只是NNLM的一个产物 Word2Vec 非语言模型（窗口上下文） 局部语料 采用分层SoftMax和负采样，损失函数为带权重的交叉熵 Glove 非语言模型（词共现矩阵） 全局语料 全局语料构建词共现矩阵后进行高效矩阵分解算法 2.预训练编码器（Contextual Embeddings) （解决一词多义） 编码器 PTMs代表 计算方式 特点 MLP(MultiLayer ...