语义分析

介绍 LTP（Language Technology Platform）为中文语言技术平台，是哈工大社会计算与信息检索研究中心开发的一整套中文语言处理系统。LTP制定了基于XML的语言处理结果表示，并在此基础上提供了一整套自底向上的丰富而且高效的中文语言处理模块（包括词法、句法、语义等6项中文处理核心技术），以及基于动态链接库（Dynamic Link Library，DLL）的应用程序接口，可视化工具，并且能够以网络服务的形式进行使用。 LTP开发文档： https://ltp.readthedocs.io/zh_CN/latest/index.html 语言云LTP-Cloud： http://www.ltp-cloud.com/ 模型下载地址： http://ltp.ai/download.html 安装 下面介绍 Windows10 Python 环境下 LTP 的扩展包 pyltp 安装过程。 1.常见错误 大家通常会调用 “pip install pyltp” 安装该扩展包，但会遇到各种错误，下面介绍一种可行的方法。 2.安装pyltp包 首先，安装Python3.6环境，如下图所示“python-3.6.7-amd64.exe”。 接着，下载pyltp扩展包的whl文件至本地，调用CMD环境进行安装，注意需要将所在文件的路径写清楚。 pyltp-0.2.1-cp35

关注公众号[雪之梦技术驿站]查看上篇文章 猜猜看go是不是面向对象语言？能不能面向对象编程？ 虽然在上篇文章中,我们通过尝试性学习探索了 Go 语言中关于面向对象的相关概念,更确切的说是关于封装的基本概念以及相关实现. 但那还远远不够,不能满足于一条路,而是应该尽可能地多走几条路,只有这样才能为以后可能遇到的问题积攒下来经验,所以这一节我们将继续探索封装. 何为探索性学习 通过现有知识加上思想规则指导不断猜想假设逐步验证的学习过程是探索性学习,这样既有利于我们思考又能加深我们对新知识的理解,何乐而不为? 学习 Go 语言的过程越发觉得吃力,倒不是因为语法晦涩难懂而是因为语法习惯背后蕴藏的思维习惯差异性太大! Go 语言相对于其他主流的编程语言来说是一种新语言,不仅体现在语法层面更重要的是实现思路的差异性. 尤其是对于已有其他编程经验的开发者而言,这种体会更加深刻,原本可能觉得理所应当的事情到了 Go 语言这里基本上都变了模样,很大程度上都换了一种思路去实现,这其实是一件好事,不同的思维碰撞才能促进思考进步,一成不变的话,谈何创新发展? 在这里不得不感谢强大的 IDE 开发工具,没有它我们就不能及时发现错误,正是这种快速试错的体验才给我们足够的反馈,运用已有的编程经验逐步接近 Go 语言编程的真相. 上篇文章中已经确定主线方向,基本上弄清楚了面向对象中的封装概念以及实现

Panoptic Feature Pyramid Networks解读 论文地址 代码实现 导读 :FAIR(Facebook AI Reaearch) 何恺明团队最新论文提出 “全景 FPN”，聚焦于图像的全景分割任务，将分别用于语义分割和实例分割的FCN和Mask R-CNN结合起来，设计了 Panoptic FPN。该方法可能成为全景分割研究的强大基线。 全景特征金字塔网络 Panoptic FPN Panoptic FPN 是一个简单的、单网络的 baseline，它的目标是在实例分割和语义分割以及它们的联合任务：全景分割上实现最高性能。 设计原则是：从具有FPN Mask R-CNN 开始，进行最小的修改，生成一个语义分割的 dense-pixel 输出。 模型架构如下： 特征金字塔网络 (Feature Pyramid Network)： 首先简要回顾一下 FPN。FPN 采用一个具有多空间分辨率特征的标准网络 (如 ResNet)，并添加一个具有横向连接的自上而下的通道，如图 1a 所示。自上而下的路径从网络的最深层开始，并逐步向上采样，同时添加自底向上路径的高分辨率特性的转换版本。FPN 生成一个金字塔，通常具有 1/32 到 1/4 的分辨率，其中每个金字塔级别具有相同的通道维度 (默认是 256)。 实例分割分支： FPN 的设计

词法：什么样的词是有效的。 语法：有效的词进行排列组合，什么样的排列组合才是有效的。 语义：描述的内容是否正确。 举例来说： 雪是White：词法错误，White不是有效的中文词。词法正确才能进行语法分析。 雪白的是：词法正确，语法错误。雪、白的、是，都是有效的中文词，但是词的排列组合错误。 雪是红的：词法正确，语法正确，语义错误，描述的内容错误。 计算机能够进行词法、语法分析，但是很难进行语义分析。 转载于:https://www.cnblogs.com/nzbbody/archive/2012/12/27/2835846.html 来源： https://blog.csdn.net/weixin_30551947/article/details/99234407

知识图谱综述 通用知识图谱VS行业知识图谱 区别 通用知识图谱 行业知识图谱 广度/深度 广度 知识类型/来源 常识性知识, 百科知识，语言学知识 精度 低 面向群体 普通用户 代表 谷歌大脑 类型 模式 数据模型固定 数据量 获取难度 公共数据 领域知识图谱 挑战 1.多源异构数据难以融合 2.数据模式动态变迁困难 3.非结构化数据计算机难以理解 4.分散的数据难以统一消费利用 解决方案 　　• 挑战1：使用知识图谱（本体）对各种类型的数据进行抽象建模，基于可动态变化 的“概念—实体—属性—关系”数据模型，实现各类数据的统一建模。 　　• 挑战2：使用可支持数据模式动态变化的知识图谱的数据存储，实现对大数据及数 据模式动态变化的支持。 　　• 挑战3：利用信息抽取技术，对非结构化数据及半结构化数据进行抽取和转换，形 成知识图谱形式的知识。 　　• 挑战4：在知识融合的基础上，基于语义检索、智能问答、图计算、推理、可 视化等技术，提供统一的数据检索、分析和利用平台。 联系 通用知识图谱为行业知识图谱提供基础/体系,细化,则是需要搜寻相应的行业知识 行业知识图谱能够通过融合到通用知识图谱当中 关键技术 　或者这张图(好好感觉) 知识建模 　就是建立图谱的数据模式,就是对整个知识图谱的结构进行定义,构建 自顶向下的方法：专家手工编辑形成数据模式 自底向上的方法：

清华大学李涓子教授“知识图谱研究综述”一文的阅读笔记。 内容： 1. 概念 2. 现有的知识图谱资源 3. 知识表示 4. 知识图谱构建 5. 应用 知识图谱旨在描述客观世界的概念、实体、事件及其间的关系。 概念 是指人们认识世界过程中形成的对客观事物的概念化，如人、动物、组织机构等； 实体 是客观世界中的具体事物，如篮球运动员姚明、互联网公司腾讯等； 事件 是客观世界的活动，如地震、买卖行为等； 关系 描述概念、实体事件之间客观存在的关联，如毕业学院描述了个人及其所在院校的关系，运动员和篮球运动员之间的概念和子概念的关系等。 知识图谱是将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、管理和理解互联网海量信息的能力 。 涉及的技术：认知计算、知识表示和推理、信息检索与抽取、自然语言处理和语义web、数据挖掘与机器学习等> 知识图谱技术具体地包括知识表示、知识图谱构建和知识图谱的应用三方面： 知识表示研究客观世界知识的建模，从知识的表示和存储，以及知识的使用和计算来使得知识便于机器的识别和理解； 知识图谱的构建解决如何建立计算机算法从客观世界或者或联网的各种数据资源中获取客观世界的知识，主要研究使用何种数据和方法抽取何种知识； 知识图谱应用主要研究如何利用知识图谱建立基于知识的智能服务系统，更好地解决实际应用问题。 现有知识图谱资源 人工构建 WordNet