芒垣 欢迎来到芒垣！ 该自述文件也提供。 从这里做什么？ 漫画和动漫的AI 于2018年7月在洛杉矶动漫博览会上。 地球上的Mangaki（MoE）：可视化动画嵌入 请参阅 我们地图 浏览。 安装Mangaki 数据库设置 您需要在计算机上运行PostgreSQL> 9.3。 您还需要一个有权访问数据库的用户。 最简单的方法是创建一个与您的用户名同名的帐户，该帐户可以创建数据库，并且是超级用户（用于CREATE EXTENSION）： sudo -u postgres createuser --superuser --createdb $USER 然后创建数据库，并添加所需的扩展名： createdb mangaki psql -d mangaki -c \ "create extension if not exists pg_trgm; \ creat

更好的NER 具有双向LSTM-CNN的命名实体识别 命名实体识别的双向LSTM_CNN的keras实现。 原始论文可以在找到 该实现与原始论文的不同之处在于： 不考虑词典 使用存储桶可加快培训速度 使用nadam优化程序代替SGD 结果 该模型在约70个时期内产生90.9％的测试F1得分。 对于给定的体系结构，本文产生的结果是91.14体系结构（带有emb + caps的BILSTM-CNN） 数据集 conll-2003 论文网络模型 使用Keras构建网络模型 运行脚本 python3 nn.py 要求 0) nltk 1) numpy 2) Keras==2.1.2 3) T

WordGCN 使用图卷积网络在词嵌入中整合句法和语义信息 WordGCN概述 SynGCN概述：SynGCN使用图卷积网络来利用依赖上下文学习单词嵌入。 对于词汇表中的每个单词，该模型旨在通过基于使用GCN编码的依存关系上下文预测每个单词来学习其表示形式。 请参阅本文的第5节以获取更多详细信息。 依存关系 与TensorFlow 1.x和Python 3.x兼容。 可以使用requirements.txt安装依赖项。 pip3 install -r requirements.txt 安装用于评估学习的嵌入的。 可以从此下载本文中使用的测试和有效数据集拆分。 用提供的文件夹替换原始的~

这部分是关于学习节点嵌入的方法。这些方法的目标是将节点编码为低维向量，这些低维向量总结了它们的图位置和它们的局部图邻域的结构。

text-embeddings.zip

Node2Vec node2vec算法Aditya Grover，Jure Leskovec和Vid Kocijan的Python3实现。 安装 pip install node2vec 用法 import networkx as nx from node2vec import Node2Vec # Create a graph graph = nx . fast_gnp_random_graph ( n = 100 , p = 0.5 ) # Precompute probabilities and generate walks - **ON WINDOWS ONLY WORKS

spaCy是我的自然语言处理（NLP）任务的必备库。spaCy 用户手册

中文单词向量 该项目提供了100多个中文单词向量（嵌入），它们经过不同表示（密集和稀疏），上下文特征（单词，ngram，字符等）和语料库的训练。 可以轻松获得具有不同属性的预训练向量，并将其用于下游任务。 此外，我们提供了一个中文类比推理数据集CA8和一个评估工具包，供用户评估其词向量的质量。 参考 如果使用这些嵌入和CA8数据集，请引用该论文。 沉力，赵哲，胡仁芬，李文思，刘涛，杜小勇， ，ACL 2018。 @InProceedings{P18-2023, author = "Li, Shen and Zhao, Zhe and Hu, Renfen and Li, Wensi and Liu, Tao and Du, Xiaoyong", title = "Analogical Reasoning on Chinese M

计算机视觉Github开源论文

表情符号2vec 这是我对Ben Eisner，TimRocktäschel，Isabelle Augenstein，Isabelle Augenstein，MatkoBošnjak和Sebastian Riedel在其论文中提出的表情符号嵌入进行训练，可视化和评估的尝试 。 他们的大多数结果都在此处用于在Keras中构建等效健壮的模型，包括仅基于表情符号描述的相当简单的训练过程，但是此版本使用全局向量而不是使用word2vec（最初提出的） 。 总览 包含用于处理表情符号描述以及训练和评估表情符号嵌入的代码 包含用于训练表情符号嵌入的正样本和负样本（发起）以及表情符号频率列表； 它还应在名