前  言 作为自然语言处理爱好者，大家都应该听说过或使用过大名鼎鼎的Gensim吧，这是一款具备多种功能的神器。 Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中

我們最終是想要 求出最大間隔超平面 ， 所以需要計算出約束條件下的 w和b 這兩個引數，進而得到最大間隔超平面的表示式 求解方法是將原問題轉化為其對偶問題進行求解， 這個過程分為四步，

解決辦法： Android studio的模擬器在ADM cpu上不被支援，沒辦法就出現下面的問題 先是照著網上的教程，安裝了德國的GENYMOTION模擬器，後來不知道什麼原因，無法登

原題目 ：《Delete, Retrieve, Generate: A Simple Approach to Sentiment and Style Transfer 》 來源 ：NAACL 20

上一篇實現了圖片CNN單標籤分類（貓狗圖片分類任務） 地址： juejin.im/post/5c0739… 預告：下一篇用LSTM+CTC實現不定長文字的OCR，本質上是一種不固定標籤個數的多標籤分

Introduction 由於當前的事件抽取模型依賴於監督資料中已有事件（seen type）的特徵學習，所以不利於擴充套件到新的事件類別（unseen type）上。論文提出的方法基於如下假設：”the

前言 這是作業系統學習的第三篇啦，關於程序排程有很多內容，作業系統在排程程序的時候最容易遇到的問題就是死鎖了， 銀行家演算法 是一個典型的避免死鎖演算法。 死鎖的概念 先來了解一下死鎖的基本概

1. 詞向量介紹 在討論詞嵌入之前，先要理解詞向量的表達形式，注意，這裡的詞向量不是指 Word2Vec 。關於詞向量的表達，現階段採用的主要有 One hot representation 和 Dist

如果一個方陣 $A$ 相似於對角陣，即存在可逆矩陣 $P$ 和對角矩陣 $D$，有 $A = PDP^{-1}$，則稱 $A$可對角化 。 定理 5（對角化定理）$n \times n$ 矩

眾所周知，跟蹤器是一種實時追蹤太陽的裝置。通常來說，使用CAD方式可以計算出跟蹤器的最優角度，但是這個方法僅適用於得到一次性的結果。而對於實時變動的各種角度來說，常規的CAD方式則無法滿足跟蹤器專案的實際需求。

fastText是Facebook於2016年開源的一個詞向量計算和文字分類工具，在學術上並沒有太大創新。 但是它的優點也非常明顯， 在文字分類任務中，fastText（淺層網路）往往能取得和深度網

儘管變換 $\boldsymbol x \mapsto A \boldsymbol x$ 有可能使向量往各個方向移動，但通常會有某些特殊向量，$A$ 對這些向量的作用是簡單的。 定義$A$ 為 $n \t

定理 8 蘊含向量空間 $V$ 的基 $\mathcal{B}$ 若含有 $n$ 個向量，則 $V$ 與 $\mathbb{R}^n$ 同構。數 $n$ 是 $V$ 的一個內在性質（稱為維數），不依賴基的選擇

假定有一個訓練集 ，它要麼屬於正例，要麼屬於負例。在分類問題當中，我們最基本的想法就是基於訓練集D在樣本空間中找到一個劃分超平面，將不同的樣本分開。這樣的劃分平面有很多，哪一個是最好的呢？

論文 Entropy-based Term Weighting Schemes for Text Categorization in VSM 提出了新的基於熵的用於文字分類的詞權重計算方法tf·dc,tf·b