1 月 21 日，支付寶五福專案組宣佈：今年的支付寶集五福將在 1 月 25（本週五）正式開始，並公佈相關玩法。支付寶表示，「集齊五福像吃餃子、看春晚一樣，已經成為越來越多人的過年習慣和小儀式，能通過科技的方式發揚和

精選 6 篇來自 EMNLP 2018、ISWC 2018、NAACL 2018、ACL 2018 和 IJCAI 2018 的知識圖譜相關工作，帶你快速瞭解知識圖譜領域最新研究進展。 EMNLP 201

沒錢、沒手機也不能阻止人類買買買了。在即將全面小康的2018年末，支付寶正式宣佈了刷臉支付，從此，人臉更“值錢”，買賣更方便。用“大寶”的話說“真對得起咱這張臉”。 先將時間倒回2014

前言 對於神經網路，我們更多談的是其 精度 怎麼樣，有百分之零點幾的提升。但是如果談到速度的話，深度學習神經網路相比於傳統的演算法來說，速度恐怕沒有那麼快了。 那麼我們什麼時候需要提升速度呢？假如有

工程中常常需要尋找一些特定集合內的 $\boldsymbol x$ 值，使得二次型 $Q(\boldsymbol x)$ 取得最大值或最小值。具有代表性的是，這類問題可化為 $\boldsymbol x$ 在一

一個對稱 矩陣是一個滿足 $A^\mathsf{T} = A$ 的矩陣 $A$，這種矩陣是方陣，其主對角線元素是任意的，但其他元素在主對角線的兩邊成對出現。 定理 1如果 $A$ 是對稱矩陣

本文主要用於記錄谷歌發表於2017年的一篇論文（引用量接近上千）。該論文提出的Transformer模型也是近年來被廣泛應用的。本筆記主要為方便初學者快速入門，以及自我回顧。 論文連結： https://

Contents 1. 冪演算法 冪演算法適用於 $n \times n$ 矩陣 $A$ 由嚴格佔優特徵值 （亦稱主特徵值）$\lambda_1$ 的情況。$\lambda_1

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

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