123456789101112131415161718192021222324252627282930313233343536373839import ctypesimport inspectimport timefrom threading import Threaddef _async_raise(tid, exctype): tid = ctypes.c_long(tid) if not inspect.isclass(exctype): exctype = type(exctype) res = ctypes.pythonapi.PyThreadState_SetAsyncExc(tid, ctypes.py_object(exctype)) if res == 0: raise ValueError("invalid thread id") elif res != 1: ctypes.pythonapi.PyThreadState_SetAsyncExc(tid, None) ...

读后感 针对问题：利用当前的知识库 (KB)，回答用自然语言提出的问题。 目标：一方面开发用于评价约束性问答的数据集；另一方面开发针对约束性问答的解决方法。 结果：产出评测数据集；提出的多约束查询图算法提升了对复杂问题的解答能力。 核心方法： 复杂问题的分类和处理机制，抽象出六种约束类型，以及对应各类问题的解决方法。 方法 找到问题相关实体节点 找到满足约束的所有路径 将与问题语义相似度最高的作为答案 难点：整个过程中约束到底如何产生作用。 泛读后理解程度：直接精读 （看完题目、摘要、结论、图表及小标题） 介绍 英文题目：Constraint-Based Question Answering with Knowledge Graph 中文题目：基于知识图谱的约束性问答 论文地址：https://readpaper.com/paper/2572289264 领域：图神经网络、问答系统 发表时间：2016 出处：acl 被引量：142 代码和数据：https://github.com/JunweiBao/MulCQA/tree/ComplexQuestions 阅读时间：202 ...

1 目标 Obsidian 文档可以本地存储，文档主要由 markdown 和图片组成。markdown 是纯文本，格式简单占空间也小，在存储和分享的过程中，插在文档中的图片就比较麻烦。所以希望把文本和图片分开存储，并且能简单快速地分享给别人，比如发布博客时，不用一张一张贴图。 图床是一个比较简单的解决方案，它是一种在线图片存储服务，可以用来上传、存储、管理和分享图片。通常，图床会提供图片的 URL 地址，可以在网页、博客、社交媒体等平台中使用。一般使用腾讯云、阿里云的存储服务实现，也可以使用 Github，Gitee 代码托管服务实现。主要看图多不多，访问量大不大。 本文将介绍在 Ubuntu 系统下，用 Obsidian+PicGo+Gitee 的方式做个免费图床，适用于图片不多，访问量不大的场景，同时讨论了扩展性。 2 原理 2.1 Obsidian 离线的文档管理工具，可以通过 Obsidian QuickShare, Obsidian to Notion 等插件进行网页共享，个人觉得通过图床，把文档和图片分开更加方便。 2.2 PicGo PicGo 是一款用于上传、管理和分 ...

介绍 英文题目：Semi-Supervised Classification with Graph Convolutional Networks 中文题目：使用卷积图神经网络实现半监督分类器 论文地址：https://arxiv.org/abs/1609.02907 领域：自然语言处理，知识图谱，图神经网络 上传时间：2016 出处：ICLR 2017 被引量：10671 代码和数据： https://github.com/tkipf/gcn https://github.com/kaize0409/pygcn/ 阅读时间：22-03-11 泛读 针对问题：图节点多分类，半监督学习 结果：在知识图和引文图数据集中，有效提升了精度和效率 核心方法：基于频谱图，卷积神经网络，编码时考虑到图结构和节点的特征 难点：几乎全是公式推导，先验知识太多，单看公式看不懂 泛读后理解程度：30% （看完题目、摘要、结论、图表及小标题） 精读 摘要 论文提出了基于图的，使用类似卷积神经网络的半监督学习方法。选择卷积结构让我们在建模时更注重邻近的节点。模型隐藏层编码同时考虑了局部结构和节点特征。相较 ...

#笔记/Obsidian 1 安卓版 下载地址 https://www.05sun.com/downinfo/380645.html 特点 和电脑版用法几乎完全一致 也可以更换皮肤 2 Linux 版 在官网可下载较新版本，看着和 Windows 版完全一样，对习惯用 Linux 的人来说，绝对是福音 2.1 方法一：建议下载 deb 安装包 安装后可执行文件位置在/opt/Obsidian/obsidian，需要向 bin 下做个链接 2.2 方法二：直接安装应用程序 下载 AppImage（Linux 下推荐安装） 将其权限设置为可执行，复制到想要安装的目录 1234$ sudo mkdir /opt/obsidian$ sudo mv ~/Downloads/Obsidian-0.12.19.AppImage /opt/obsidian/Obsidian-0.12.19.AppImage$ chmod 777 /opt/obsidian/Obsidian-0.12.19.AppImage$ sudo ln -s /opt/obsidian/Obsidian-0.12. ...

Python 日志工具 loguru 错误级别 level name Severity value Logger method TRACE 5 logger.trace() DEBUG 10 logger.debug() INFO 20 logger.info() SUCCESS 25 logger.success() WARNING 30 logger.warning() ERROR 40 logger.error() CRITICAL 50 logger.critical() 代码 12345678910from loguru import logger# 设置输出级别, 只显示 INFO 及以上级别logger.remove()handler_id = logger.add(sys.stderr, level="INFO")# 日志输出logger.debug("xxxxx")logger.info("xxxxx")logger.warning("xxxxx" ...

介绍 英文题目：Reasoning on Knowledge Graphs with Debate Dynamics（R2D2） 中文题目：基于动态辩论的知识图推理 论文地址：https://arxiv.org/pdf/2001.00461.pdf 领域：图神经网络, 知识推理 发表时间：2020 出处：AAAI 2020 被引量：6 代码和数据：https://github.com/m-hildebrandt/R2D2 读后感 针对问题：基于图的自动知识推理 目标：提升对真命题和伪命题的识别，提升可解释性 结果：对于分类和链接预测任务均有良好表现，且实现了一些归因。 核心方法： 利用动态辩论的强化学习算法。 这是一个相对白盒的方法 采用两个 agent 的对抗，一个找真命题相关路径，一个找假命题相关路径，使用知识图中的路径作为参数生成特征，最终由判别器做出判断推理的真伪。 具体模型：深度学习模型，两个 Agent 使用 LSTM，判断使用 MLP 难点：对抗学习应用于图论和知识推理。 泛读后理解程度：60% （看完题目、摘要、结论、图表及小标题） 精读 （只翻译了实现部分） ...

介绍 英文题目：node2vec: Scalable Feature Learning for Networks 中文题目：node2vec：面向网络的可扩展特征学习 论文地址：https://arxiv.org/abs/1607.00653 领域：图神经网络，知识表示 发表时间：2016 出处：KDD 被引量：6181 代码和数据：http://snap.stanford.edu/node2vec/ 参考其它翻译：【论文笔记】node2vec 说明 一切皆可 vector 图神经网络经典必读第一篇 读后感 （看完题目、摘要、结论、图表及小标题看完，约 30 分钟） 针对问题：自动学习图中结点和边的特征表示 目标：更好地表征图中的节点：兼顾同质性和结构等价性。 结果：在多领域与 SOTA 模型对比，展示算法有效性，可在复杂网络中生成任务无关的表征。 方法：note2vec 框架，优化随机游走算法，结合深度优先和广度优先两种游走方式，用参数设置游走方式的选择，从而提升效率。 精读 （核心章节：读 + 整理：3 小时） 摘要 如果想使用机器学习算法对图中节点和边建模，需要自动学习对图中 ...

StreamLit 构造 Web 应用 功能 Streamlit 帮助机器学习工程师快速开发用户交互工具，几乎可取代 Flask 在机器学习项目中的地位。 个人感受 确实非常方便，安装 python 库的 streamlit 后，可快速入门 和学习前端相比，学习成本非常低 界面比较美观，适合用于 demo 和内部展示 通过简单的代码，就可以展示丰富的功能；但对于复杂的 UI 还没试 不需要可见的 b/s 通讯，几乎所有交互都通过操作 streamlit 句柄完成 使用很方便，功能是否强大还没试 运行需要基于 streamlit 框架 安装 1$ pip install streamlit 运行示例 1$ streamlit hello --server.port 8080 我指定了端口，否则其默认运行端口是 8501 在其左侧可以选择几种主要的 demo Pasted image 20220212132427.png 运行程序 将其中 dataframe 的 demo 写入一个文件 test.py，然后运行 1$ streamlit run test.py --server. ...

图数据库 传统数据库难以处理复杂多跳的关系运算。需要一种支持海量、复杂、且结构灵活的关系运算数据库，图数据库应运而生。 1 相关概念 1.1 简介 图数据库由顶点和边组成； 主要用于对图数据的增删改查； 目前常用的图数据库有 Neo4j，JanuxGraph 等 1.2 使用场景 常用于社交、电商、金融、零售、物联网等行业 用于关系查询 用于遍历复杂关系 用于实现复杂的规则：如子图比较、推荐等 对于结构化数据，常可使用关系型数据库；对于关系比较多，数据不太规律的情况，则用图数据库 1.3 分类 属性图数据库 构成：顶点、边、顶点属性、边属性 RDF 图数据库（不支持属性，比较古老，已经不怎么用了） 针对文本语义场景产生 三元组：subject->predicate->object 1.4 原生图数据库 原生图数据库：使用图模型进行数据存储，可以针对图数据做优化，从而带来更好的性能，例如 Neo4j。 非原生图数据库：底层存储使用非图模型，在存储之上封装图的语义，适合与其它数据应用配合使用，例如 Titan、JanusGraph 底层 采用 KV 存储非图模 ...