Yue

2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Agent-based and Multi-agent Systems) Main track (AI Ethics) Main track (Computer Vision) Main track (Constraints and SAT) Main track (Data Mining) Main track (Heuristic Search and Game Playing) Main track (Humans and AI) Main track (Agent-based and Multi-agent Systems) A Deep Reinforcement Learning Approach to Concurrent Bilateral Negotiation Pallavi Bagga, Nicola Paoletti, Bedour Alrayes, Kostas Stathis A Multi-Objective Approach to Mitigate Negative Side Effects Sandhya Saisubramanian, Ece

2020 IJCAI 接受论文 list 分类排列（一） 2020 IJCAI 接受论文 list 分类排列（二） 2020 IJCAI 接受论文 list 分类排列（三） 目录 Main track (Machine Learning Applications) Main track (Multidisciplinary Topics and Applications) Main track (Natural Language Processing) Main track (Planning and Scheduling) Main track (Robotics) Main track (Uncertainty in AI) Special track on AI for CompSust and Human well-being Special Track on AI in FinTech Main track (Machine Learning Applications) A Label Attention Model for ICD Coding from Clinical Text Thanh Vu, Dat Quoc Nguyen, Anthony Nguyen Adversarial Mutual Information Learning for Network

原文链接： https://mp.weixin.qq.com/s/rf17rA0tBkD9elqF8nHhaw 本文介绍了NER的难点以及相应的解决方案，人机对话系统中的槽位标注也是NER任务，介绍的一些方法还是很有指导意义的。 难点1: 如何命名“命名实体” 何晗在《自然语言处理入门》一书中的总结如下： 数量无穷。比如宇宙中恒星名称、生物界中的蛋白质名称，即便是人名，也是会随着新生儿的命名不断出现新的组合。 构词灵活。比如中国工商银行，既可以称为工商银行，也可以简称为工行。一些机构名甚至存在嵌套现象，比如“联合国销毁伊拉克大规模杀伤性武器特别委员会”内部就嵌套了地名和另一个机构名。 类别模糊。一些命名实体之间的区别比较模糊，比如地名和机构名。有一些地名本身也是机构，比如“国家博物馆”，从地址角度来看属于地名，但从博物馆工作人员来看则是一个机构。 难点2: 实体的无穷 实体命名识别要面对的是排列组合可能无穷的词表。模型对 OOV 的泛化能力远低于我们的预期，所以通常做法是以统计为主，规则词典为辅。 关于基于规则和词典的方法，何晗在《自然语言处理入门》一书中将适于这种方法的实体分为两类 对于结构性较强的命名实体，比如网址、E-mail、ISBN、商品编号，电话，网址，日期，淘宝或拼多多口令等，都可以用正则表达式来处理。 对于较短的命名实体，如人名，完全可以用分词方法去确定边界

#include < string > using std:: string ; // ================================================================== /* * 功能： 将汉字转换成拼音全拼，例如将“马兆瑞”转换成“mazhaorui”。（“妈ma521”可转换成“mama521”） @param[in] Chinese：要转换的汉字字符 @param[out] PinYin：转换后的拼音字符 @par修改记录： * */ // ================================================================== void GetPinYin(unsigned char * Chinese, string & PinYin); void main() { unsigned char chinese[] = " 马兆瑞 " ; string pinyin; GetPinYin(chinese, pinyin); int dsa = 1 ; } string pinyin[] = { " a " , " ai " , " an " , " ang " , " ao " , " ba " , " bai " , " ban " , " bang " , " bao " ,

先上一张效果图 这边用的是echarts插件 http:// echarts.baidu.com/ 源码部分 < div > < button onclick = "zhou()" class = "btnweek week active" style = "margin-left: 300px" > 按周排 </ button >< button onclick = "yue()" class = "btnweek month" style = "margin-left: 100px" > 按月排 </ button > </ div > <!-- 为 ECharts 准备一个具备大小（宽高）的 DOM --> < div id = "main" style = "width: 95%;height:400px;" ></ div > < script type = "text/javascript" > zhou (); function zhou () { var myChart = echarts . init ( document . getElementById ( 'main' )); $ ( ".week" ). attr ( "class" , "btnweek week active" ); $ ( ".month" ). attr ( "class" ,

#include < string > using std:: string ; // ================================================================== /* * 功能： 将汉字转换成拼音全拼，例如将“马兆瑞”转换成“mazhaorui”。（“妈ma521”可转换成“mama521”） @param[in] Chinese：要转换的汉字字符 @param[out] PinYin：转换后的拼音字符 @par修改记录： * */ // ================================================================== void GetPinYin(unsigned char * Chinese, string & PinYin); void main() { unsigned char chinese[] = " 马兆瑞 " ; string pinyin; GetPinYin(chinese, pinyin); int dsa = 1 ; } string pinyin[] = { " a " , " ai " , " an " , " ang " , " ao " , " ba " , " bai " , " ban " , " bang " , " bao " ,

【学习笔记】字符串—广义后缀自动机 一：【前言】 最近一周都在研究 惊( Ren )艳( Lei )无( Zhi )比( Hui )、美( Li )妙( Xing )绝( Yu )伦( Yue ) 的自动机，这里引用 \(\text{bztMinamoto}\) 巨佬的一句话来表达此时的心情： 我感觉我整个人都自动机了…… —— \(bztMinamoto\) （ 回文自动机学习笔记 ） 在此过程中发现网上讲广义 \(\text{SAM}\) 的文章很少，而且很多都不正确，所以决定整理一下。 二：【引理】 众所周知， \(\text{SAM}\) 的一个经典应用是求一个字符串中本质不同子串数量，那么如果改为求一个 \(\text{Trie}\) 树呢？ 刘研绎在 \(2015\) 的国家队论文中说过这样一句话： 大部分可以用后缀自动机处理的字符串的问题均可扩展到 \(Trie\) 树上。 我们将这种建立在 \(\text{Trie}\) 树上的 \(\text{SAM}\) 成为广义 \(\text{SAM}\) 。在学习之前，首先要确保对 单串 \(\text{SAM}\) 足够熟悉， 其实也可以简单理解为 多串 \(\text{SAM}\) 啦QAQ 三：【算法实现】 在用广义 \(\text{SAM}\) 处理多模式串问题时，网上流传着的主流写法有 \(3\) 种： \((1

论文传送门 视频 作者 北京大学 Yucheng Huang Tong Yang 中国科学院软件研究所计算机科学实验室 Lei Shi Yue Su Deyun Wang 雅虎实验室 Yifan Hu 亚利桑那州立大学 Hanghang Tong 圣母大学 Chaoli Wang 清华大学美术学院 Shuo Liang 摘要 影响力演化图的可视化对于执行许多现实生活任务（例如引文分析和社会影响分析）很重要。主要挑战包括如何总结大规模、复杂和随时间变化的影响图，以及如何设计有效的视觉隐喻和动态表示方法来说明随时间推移的影响模式。在这项工作中，我们介绍了Eiffel，这是一个集成的可视化分析系统，该系统对节点，关系和时间纬度的影响力演化图进行了三次汇总。在数值实验中，就基于影响流的目标而言，Eiffel汇总结果优于传统聚类算法。此外，提出了一种流程图表示法，并适用于影响图摘要的情况，它支持两种演化可视化模式（即翻书和电影），以加快对影响图动力学的分析。我们进行了两个受控用户实验，以分别评估影响图摘要和可视化方面的技术。我们还在两种典型情况的影响力演化分析中展示了该系统，这两种情况是科学论文的引文影响和新兴在线事件的社会影响。评估结果证明了Eiffel在影响演化图的可视分析中的价值。 Introduction 影响力 Cyber-Influence （社交） Social

【摘要】 本文通过三篇发表在CVPR 2019上的论文，对增量学习任务进行简单的介绍和总结。在此基础上，以个人的思考为基础，对这一研究领域的未来趋势进行预测。 一、背景介绍 目前，在满足一定条件的情况下，深度学习算法在图像分类任务上的精度已经能够达到人类的水平，甚至有时已经能够超过人类的识别精度。但是要达到这样的性能，通常需要使用大量的数据和计算资源来训练深度学习模型，并且目前主流的图像分类模型对于训练过程中没见过的类别，识别的时候完全无能为力。一种比较简单粗暴的解决方法是：对于当前模型识别不了的类别，收集大量的新数据，并和原来用于训练模型的数据合并到一起，对模型进行重新训练。但是以下的一些因素限制了这种做法在实际中的应用： 当存储资源有限，不足以保存全部数据的时候，模型的识别精度无法保证； 重新训练模型需要消耗大量的算力，会耗费大量的时间，同时也会付出大量的经济成本（如电费、服务器租用费等）。 为了解决这些问题，使得增加模型可识别的类别数量更容易一些，近年来学术界中出现了一些针对深度学习的“增量式学习”算法。这类算法有三点主要的假设： 不同类别的数据是分批次提供给算法模型进行学习的，如下图所示； 系统的存储空间有限，至多只能保存一部分历史数据，无法保存全部历史数据，这一点比较适用于手机、PC机等应用场景； 在每次提供的数据中，新类别的数据量比较充足。

我们实现汉字转拼音,需要结束代码包来完成,但是有个问题 ,针对多音字,会把排列组合的所有方式 全部打印出来. 比如 地区名,都是不需要多音字的,只有一个拼音发音是正确的. 下边 我们来实现 汉字转拼音的方法 -- 创建 拼音音节基础表 CREATE TABLE IF NOT EXISTS t_base_pinyin ( pinyin_code varchar(255) CHARACTER SET gbk NOT NULL, pinyin_id int(11) NOT NULL, PRIMARY KEY ( pinyin_id ) ) ENGINE=InnoDB DEFAULT CHARSET=utf8; -- 初始化拼音音节 INSERT INTO t_base_pinyin (pinyin_code,pinyin_id) VALUES ('a', 20319),('ai', 20317),('an', 20304),('ang', 20295),('ao', 20292),('ba', 20283),('bai', 20265),('ban', 20257),('bang', 20242),('bao', 20230),('bei', 20051),('ben', 20036),('beng', 20032),('bi', 20026),('bian', 20002),(