精华内容
下载资源
问答
  • UI设计英文,User lnterface的简称,翻译成中文的意思就是用户界面设计。用户界面设计中,有用户,有界面,还有设计,由此用户界面设计(UI设计)分了三个职位。研究界面的叫做,GUI(界面)设计师;研究界面与...

      UI设计是英文,User lnterface的简称,翻译成中文的意思就是用户界面设计。用户界面设计中,有用户,有界面,还有设计,由此用户界面设计(UI设计)分了三个职位。研究界面的叫做,GUI(界面)设计师;研究界面与用户的叫做,ID(交互)设计师;研究用户的叫做,UE(用户体验)设计师。

    image/20200728/cb79791d31d4a50c37d73b1700413611.jpeg

      我们常说的学UI设计,做UI设计,一般指的就是GUI界面设计师。GUI设计师的日常工作,一般是界面设计,图标设计,切图和标注。所要学习的软件也就是,PS AI AE ARP,加一些标注和切图的插件。

      就业方向一般有2种,一种就是设计主题UI,最近几年,智能手机越来越多元化,例如小米,三星,华为,魅族,VIVO,等手机型号多,用户也多。

      从而有了大量的主题需求,在各大手机主题市场也上万套主题,这些都是我们UI设计去设计的,无论是做全职或是兼职都是一个不错的选择。

      另一种就是APPUI设计了,APP也叫做手机软件,像我们平常用的微信,QQ这些软件全是属于APPUI设计,我们平时用微信,进行聊天,加好友,发朋友圈,发红包等所有操作全是属于UI设计。这样的手机应用,安卓和苹果商城合计总数有近几百万个,每个都需要UI设计师来设计,从而导致了UI行业大量缺人。目前也是UI设计去就业选择最多一个方向。

      交互设计师,一般的工作就是设计原型图,这块对逻辑处理能力,页面布局能力要求很高,一般从事交互设计工作的人,多数是工业设计出身。

      用户体验设计师,这个职位,一般小公司没有,中大型公司才会有,主要是研究用户的,用户的行为,情感,使用感受,过程各个方面都要进行研究,一般做这块的为心理学专业出身。(文章来源网络,侵权联系删除)

     

    展开全文
  • 本文主要确定什么做子串;特征6Tag:B,B2,B3,M,E,S;仅CRF结果 评价数据:Sighan bakeoff 2005;CityU,MSRA,最好结果0.952,0.974。 步骤: 1 从训练语料中得到词典,高于某个频率的进入子串词典;

    基于有效子串标注的中文分词
    作者:赵海,接春雨
    单位:香港城市大学-
    出处:中文信息学报,2007年,21卷,5期,8-13页

    本文主要是确定什么做子串;特征6Tag:B,B2,B3,M,E,S;仅CRF结果

    评价数据:Sighan bakeoff 2005;CityU,MSRA,最好结果0.952,0.974。

    步骤:

    1 从训练语料中得到词典,高于某个频率的进入子串词典;
    2 子串词典对训练语料FMM
    3 子串的切分不可产生分词歧义(与2006年Ruiqiang Zhang的文章Subword-based的优势就是这个)
    4 子串必须是最小子串

    展开全文
  • UI设计师这个行业到底是做什么的?

    千次阅读 2020-06-09 22:26:43
    UI设计到底是做什么的?UI设计是英文,User lnterface的简称,翻译成中文的意思就是用户界面设计。  用户界面设计中,有用户,有界面,还有设计,由此用户界面设计(UI设计)分了三个职位。研究界面的叫做,GUI...

      UI设计到底是做什么的?UI设计是英文,User lnterface的简称,翻译成中文的意思就是用户界面设计。

      用户界面设计中,有用户,有界面,还有设计,由此用户界面设计(UI设计)分了三个职位。研究界面的叫做,GUI(界面)设计师;研究界面与用户的叫做,ID(交互)设计师;研究用户的叫做,UE(用户体验)设计师。

      我们常说的学UI设计,做UI设计,一般指的就是GUI界面设计师。GUI设计师的日常工作,一般是界面设计,图标设计,切图和标注。所要学习的软件也就是,PS AI AE ARP,加一些标注和切图的插件。

    UI设计培训班

      就业方向一般有2种,一种就是设计主题UI,最近几年,智能手机越来越多元化,例如小米,三星,华为,魅族,VIVO,等手机型号多,用户也多。

      从而有了大量的主题需求,在各大手机主题市场也上万套主题,这些都是我们UI设计去设计的,无论是做全职或是兼职都是一个不错的选择。

    另一种就是APPUI设计了,APP也叫做手机软件,像我们平常用的微信,QQ这些软件全是属于APPUI设计,我们平时用微信,进行聊天,加好友,发朋友圈,发红包等所有操作全是属于UI设计。这样的手机应用,安卓和苹果商城合计总数有近几百万个,每个都需要UI设计师来设计,从而导致了UI行业大量缺人。目前也是UI设计去就业选择最多一个方向。

      交互设计师,一般的工作就是设计原型图,这块对逻辑处理能力,页面布局能力要求很高,一般从事交互设计工作的人,多数是工业设计出身。

      用户体验设计师,这个职位,一般小公司没有,中大型公司才会有,主要是研究用户的,用户的行为,情感,使用感受,过程各个方面都要进行研究,一般做这块的为心理学专业出身。

     

    展开全文
  • who(事件的主动实施者),whom(事件的被动接受者),what(具体干什么),when(何时),where(何地),how(如何的). what一般由谓语动词体现,在事件中触发词,who,whom,when,where事件的四个要素。一个事件的语义可以...

    翻译文章前简单的介绍下事件抽取:
    事件抽取是信息抽取领域的一个重要研究方向,主要目的是从含有事件信息的非结构化的自然语言描述的文本中抽取出事件信息并且以结构化的形式表示出来。通常一个完整的事件可以用5W1H表示出来。who(事件的主动实施者),whom(事件的被动接受者),what(具体干什么),when(何时),where(何地),how(如何做的). what一般由谓语动词体现,在事件中是触发词,who,whom,when,where是事件的四个要素。一个事件的语义可以描述为
    When who do what to whom in where

    摘要

    我们提出了一个事件提取框架,从金融新闻的文章中发现事件描述并且提取事件。到目前为止,基于监督学习模式的方法在公开数据集(ACE2005,KBP2015)上取得较好的表现。这些方法极大的依赖于手工标注的训练数据。然而,在一些特殊的领域,例如:金融、医学、司法领域等,由于数据标注过程的高昂代价导致这些领域没有足够的标注数据可供训练。此外,大部分现存的方法都集中于从一个句子中提取事件,但是在一篇文章中,一个事件通常是由多个句子所表达的。为了解决这些问题(指的是第一没有足够的标注数据,第二从仅仅一个句子中提取事件不合理),我们提出了DCFEE,这个系统可以自动的生成大规模的标注数据(解决了问题一)而且从整个文章中提取事件(解决了问题二)。实验结果表明了DCFEE的有效性。

    介绍

    事件抽取在NLP领域是一个有挑战性的任务,目的是从文本中发现事件描述,提取含有事件触发词的事件以及事件参数。(event mention 事件描述,描述一个事件的句子,这个句子中包含这个事件类型所需要的触发词和事件参数)
    (event trigger 事件触发词,能够最明显的表达一个事件发生的那个单词,通常是动词或名词)
    (event argument 事件参数指的是在事件中处于具体角色的实体)。
    在这里插入图片描述
    例如图1。一个事件抽取系统要能够发现由冻结(frozen)这个单词所触发的股权冻结事件并且提取出五个不同角色的事件元素,这些角色包括:股东名、冻结股票的数目、冻结机构、冻结起始日期、冻结结束日期。这五个元素就是长富瑞华、520000股、大连市人民法院、2017年5月5日、3年。从文本中提取事件实例在构建像信息抽取,智能问答等NLP系统中有重要作用。最近已经有研究者构建了像EventRegistry,Stela等英文事件抽取系统。然而在金融领域,特别是中文,还没有这类的事件抽取系统。

    金融事件能够帮助用户获得竞争者的战略,预测股票市场并且做出正确的投资决定。例如,股权冻结事件的发生对公司会有很坏的影响,此时股东应该及时作出决定避免损失。在商业领域,由公司所公布的官方通告代表着重要事件的发生,例如股权冻结,股票交易事件等。所以从这些通告中发现实体描述并且提取事件是很有价值的。然而在中文金融实体抽取领域有两种挑战:

    • 缺乏数据: 大部分的实体抽取方法通常采用监督学习的范式,而这种方式极大的依赖于精心设计的人工标注数据,但是在中文金融领域没有标注的数据。
    • 文档层面的事件抽取: 当前大部分事件抽取的方法都是集中于句子级别。但是一个事件通常是由在文档中的多个句子表示。在这篇文章中的金融领域数据集,有91%的情况是一个事件的事件元素分布在不同的句子中。如图1所示,E1,E2共同描述股权冻结事件。

    为了解决这两个问题,我们提出了名叫DCFEE的框架,这个框架可以从自动标注的训练数据中提取出文档级别的事件。远程监督已经被证实可以为事件抽取生成标注数据,我们利用远程监督生成大规模的标注数据。我们利用序列标注模型自动的提取句子级别的事件。接下来,我们提出了一个关键事件发现模型和一个元素填充方案从文章中提取整个事件。
     
     这篇文章的贡献总结如下:

    • 我们提出的DCFEE框架可以自动的生成大量的标注数据并且从金融通告中提取文档级的事件
    • 我们为事件抽取引入了一种自动标注数据的方法并且为构建中文金融事件数据集给出了一些技巧。我们提出的文档级别事件抽取系统主要依靠与一个序列标注模型,一个关键事件发现模型和一个事件元素补全方案。实验结果显示了这个系统的有效性。
    • DCFEE系统已经被成功的构建为一个在线应用,可以快速从金融文档中提取事件。

    在这里插入图片描述

    2 方法

    图二描述了我们提出的DCFEE框架的架构,主要包括下面两部分:数据生成,利用远程监督自动的从整篇文章中给事件描述做标签并且对事件描述注释触发词和事件元素;EE系统,主要包含句子级别事件抽取(SEE)和文档级别事件抽取(DEE),SEE是由句子层面上标注的数据供应,DEE是由文档层面上标注的数据供应。在下一章,我们会简短的描述标注的数据生成和EE系统的架构

    2.1 数据生成

    在这里插入图片描述

    图三描述了基于远程监督方法的标注的数据生成过程。在这一章节中,我们会先介绍我们所使用的数据源。然后我们描述自动标注数据的方法。最后我们会给出一些可以用来提高标注的数据质量的一些技巧。

    数据源
    自动生成数据需要两种数据源:包含着大量的结构化事件数据的金融事件知识库和含有事件信息的非结构化文本数据。在这篇文章中所用到的金融事件知识库是包含九种常见的金融事件类型的结构化数据,这些数据以表格式存储。这些结构化的数据包含着由金融学专家从文档中摘要出来的关键事件元素。用一个股权质押事件作为例子,如图三左侧,关键事件元素包括股权持有者名称,质押机构,质押股票数量,质押起始时间和结束时间。非结构化的数据来源于公司发布的官方通告,以非结构化的形式存储在网页中。我们从搜狐的证券网站上获得这些数据。

    数据生成的方法
    注释数据由两部分组成:通过标注事件描述中的事件触发器和事件元素来产生句子级别的数据;通过从文档中标注事件描述来生成文档级别的数据。现在的问题是如何找到事件触发词。那些符合结构化的事件知识库中的事件元素和事件描述可以从大规模的文档通告中总结归纳出来。远程监督在关系抽取和事件抽取领域已经被证明出其有效性。受到远程监督的启发,我们假定包含有最多的事件元素并且由一个具体的触发词所驱动的句子最有可能是一篇文档中的实体描述。在这个事件描述中的事件元素会扮演对应的事件中的角色。对于每一个金融事件类型,我们构建事件触发词的一个字典,例如在股权冻结事件中的冻结以及股权质押事件中的质押。所以那些来自文档通告中的触发词可以通过查询预先定义的字典被自动的标记出来。通过这些预处理,结构化的数据就可以被映射到文档通告中的事件元素。因此我们就可以自动的识别出事件描述以及将包含在这个事件描述中的事件触发词和事件元素打上标签,这样就生成了句子级别的数据,如图3的底部。然后,这个事件描述就被自动的标记为正类而在这篇文档中的其它句子被标记为负类,以此来构建文档级别的数据,如图3的右侧。文档级别的数据和句子级别的数据共同形成实体抽取系统所需要的训练数据。
    技巧:
    实际上,在数据标注的过程中有很多的挑战:金融通告和事件知识库中知识的一致性;事件元素描述的模糊性和缩写简写问题。有一些技巧可以用来解决这些问题,如图3的例子。

    • 减小搜索空间:候选文档通告的搜素范围可以通过检索诸如公开的日期和通告中股票的编码等重要事件元素来减小。
    • 规则化表示:更多的事件元素可以通过规则的表示被匹配到以此来提成标注数据的召回率。例如隆鑫控股有限公司在金融事件知识库中,但是在句子中的是隆鑫控股。我们可以解决这个问题通过规则化表示然后把隆鑫控股标注为一个事件元素。
    • 规则:一些任务驱动的规则可以被用来标注数据。例如我们可以通过计算质押终止日期和质押起始日期之间的差值从而标记12月为一个事件元素(角色是质押终止日期)。
    2.2 事件抽取

    在这里插入图片描述

    图4描述了事件抽取系统的全局架构,主要涉及接下来的两部分:句子级别的事件抽取,目的是从一个句子中提取事件元素和事件触发词;文档级别的事件抽取,目标是从基于一个关键事件发现模型和一个元素补全方案的整篇文档中提取事件元素。

    2.2.1 SEE

    我们把SEE看做一个序列标注任务,并且训练数据是由句子层面的标注好的数据提供。句子是用BIO格式表示的,意思是对于每一个字符(包括事件触发词,事件元素和其他的单词),如果这个字符是一个事件元素的开始,那么就被标记为B-label,在中间就标记为I-label。如果不是事件元素,那么就标记为O。(如图4所示,质押这个单词是触发词,所以质被标记为B-TRI,押被标记为I-TRI)。在最近几年,神经网络由于它能从文本表示中自动的学习特征,所以已经被广泛的应用在大部分的NLP任务中。并且BiLSTM-CRF这种模型在一些典型的如词性标记,实体识别等NLP任务上可以达到SOTA的性能(就是最好的性能)。由于双向LSTM,模型可以有效的利用过去和未来的输入特征,由于条件随机场,模型可以使用句子层面的标注信息。(如果没有CRF,那么模型在输出层预测标签时各个标签之间是独立预测的,第一个预测为B-ORG,第二个可能预测为B-PER)
    SEE模型的具体实现如图4左侧部分,由一个BiLSTM神经网络和CRF层组成。句子中每一个中文字符由一个向量表示并且作为BiLSTM的输入。BiLSTM的输出被转变为每一个的分数。CRF层用来克服标签偏置的问题。对于文档中的每一个句子,SEE模型最终返回句子级别实体抽取的结果。

    2.2 文档级别的事件抽取

    DEE由两部分组成:一个是文档中关键事件发现模型,目的就是发现文档中的事件描述,和一个事件元素补全方案,目的是补全缺失的事件元素。

    关键事件发现

    如图4的右侧所示,事件发现的输入由两部分组成:一个是来自于SEE(蓝色部分)输出的事件元素和事件触发词的向量表示,另一个是当前句子的向量表示(红色部分)。这两个部分连接起来作为CNN层的输入特征。然后当前的句子被分类到两个类别:关键事件或者非关键事件。

    元素补全方案

    我们已经通过DEE获得了包含大部分事件元素的关键事件,也通过SEE获得了文档中每一个句子的事件提取结果。为了获得完整的事件信息,我们使用可以自动的从周围的句子中补全确实事件元素的元素补全方案。如图4所示,一个完整的质押事件包含事件描述SnS_n中的事件元素以及补全的从句子Sn+1S_{n+1}获得的事件元素12个月。

    3 评估

    3.1 数据集

    我们在四种类型的金融事件上进行实验,这四种事件类型是:股权冻结、股权质押、股权回购、股权增持事件。通过上述的自动生成数据的方法,我们标注了总共3976个金融通告。我们划分数据集按照8:1:1的方案。在这里插入图片描述

    表1显示了数据集的统计,NO.ANN意思是对于每一个事件类型可以自动的进行标注的金融通告的数量(例如526的意思就是在总共的2976个金融通告中,可以被标注为股权冻结事件的数量是526个)。NO.POS代表总共的事件描述的数量(事件描述也是正例,事件描述是指能够描述一个事件的句子,那些不能描述一个事件的句子或者描述的不是当前事件类型的句子就是负例。例如,526是指有526个通告可以标记为股权冻结事件,而每一篇通告中有很多很多个句子,这526个通告的所有句子加起来有544个句子是描述股权冻结事件,剩下的2960个句子要么根本就没有描述一个事件,要么描述的也不是股权冻结事件)。正例句子和负例句子组成了DEE模型需要的文档级别的训练数据。包括事件触发词和一系列事件元素的正例句子被作为句子级别的训练数据输入给SEE模型。

    我们随机选择200个样本(包含862个事件元素)来手工的评估自动标注数据的精度。如表2所示,展现了我们自动标注数据的高质量。

    3.2 系统性能

    我们使用准确率、召回率、F1值来评估DCFEE系统。表3展示的是在股权冻结事件的提取上基于模式的方法和DCFEE的方法的性能对比。实验结果表明在大部分的事件元素提取上DFCEE是优于基于模式的方法的。
    表4展示的在不同的事件类型上SEE与DEE的准确率、召回率和F1值。值得注意的是在SEE阶段用的标签数据是自动生成的数据而在DEE阶段用的标签数据是来自于金融事件知识库。实验结果验证了SEE和DEE的有效性。
    总结如下,实验结果表明基于远程监督的方法可以自动的生成高质量的有标注的数据从而避免手工的标注。这也证实了在这篇文档中提出的DCFEE能够有效的从文档层面上提取事件。

    4 DCFEE的应用

    DCFEE系统的应用就是为中文金融文本的在线事件提取系统。它可以帮助金融学专家从金融通告中快速的获得事件信息。图5显示的是在线DCFEE系统的截屏。不同的单词颜色表示不同的事件元素类型,划线句子代表文本中的事件描述。我们可以从非结构化的关于股权冻结事件的金融文本中获得一个完整的股权冻结事件。

    5 相关工作

    当前的事件抽取方法可以主要分为统计的方法,基于模式的方法和混合的方法。统计的方法可以划分为两类:在特征提取工程的基础上传统的机器学习算法,以及自动特征提取的神经网络算法。基于模式的方法通常应用在工业中因为它达到较高的准确率,但是却是较低的召回率。为了提高召回率,有两种主要的研究方向:构建相对完整的模式库并且使用半监督的方法去构建触发词字典。混合事件提取的方法结合了统计的方法和基于模式的方法。到目前为止,据我们所知,还没有哪一个系统可以在中文金融领域自动的生成标注数据并且从文档中提取出文档级别的事件。

    用自己的话总结一下这篇论文:
    DCFEE由两部分组成

    • 第一部分是利用远程监督从文档中找出事件描述的那个句子,然后注释句子中的触发词和所有事件元素。其中找出的事件描述是属于文档级别的数据,因为DEE需要的训练数据就是事件描述和不是事件描述的句子。注释事件描述中的触发词和事件元素属于句子级别的数据,因为SEE需要的训练数据就是这些每个单词带有标记的句子,类似于实体识别等序列标注任务。
    • 第二部分就是事件抽取,因为通过第一部分我们得到了DEE所需的数据和SEE所需要的数据。

    那么第一部分具体怎么生成训练数据呢?论文中说在一篇文档中,如果一个句子包含大多数的事件元素并且有具体的触发词,那么这个句子就最可能是事件描述,那么这个句子中的事件元素也就会对应相应的角色。那么如何发现触发词呢?论文中说对于每一个事件类型,会先构建一个这种类型的触发词字典。通过上面的处理步骤后,那么对于结构化的知识库中的数据,就可以用它来回标非结构化的文档。比如图3.在金融的事件知识库中,我们有左侧表格数据,表格数据中有隆鑫有限公司,3940万股,中信证券股份有限公司,2017-02-23,2018-02-23。那么现在有一个句子:隆鑫控股将其持有的公司39400000股无限售流通股质押给质权人中信证券,质押期为12个月。那么根据知识库中的数据,我们就可以标注这句话为股权质押事件,并且将句子中的事件元素(NAME,NUM,ORG,BEG,END)给标注出来。于是也就得到了句子级别的标注数据,这句话就可以作为SEE的训练数据,不是事件元素的单词标注为O,那么现在就是一个典型的实体识别的任务。
    这句话也会被标记为事件描述(正例),其它的句子就是负例,现在也就得到了文档级别的训练数据。
    值得注意的是数据标注中有一些挑战,比如词汇的缩写等等。

    现在已经得到了标注好的训练数据,接下来就是事件抽取。SEE没什么好说的,就是个实体识别了。对于DEE来讲,分为两部分,第一部分是判断一个句子是不是关键事件。(前面已经说了,我们会把得到的事件描述的那个句子和其他句子作为DEE的训练数据,事件描述的类别是1,表示正例)如何判断呢?也就是将SEE的输出和当前句子的向量表示联合起来送进CNN,输出是二分类问题。第二部分是事件元素补全,论文中没说具体怎么补全。
    在这里插入图片描述
    如图所示,An announcement中所有的句子都已经标注好了,也就是说句子中每一个事件元素和触发词都标记好了,然后送入SEE中,SEE会预测每一个句子中每一个单词对应的tag,有着最多的事件元素的那个句子作为事件描述,然后将所有句子输入给DEE,DEE的输出指明了事件描述,事件描述中的事件元素。

    展开全文
  • 同前面的那篇文章一样(参见:最大熵模型进行中文分词),本文运用字标注法进行中文分词,分别使用4-tag和6-tag对语料进行字标注,观察... PS:为什么用作词性标注的特征也可以用来分词呢?这因为最大熵模型处理
  • 但是当时并没有很好的解决这样一个问题,也并没有深入研究分析这样的一个异常的产生原因,或者中文标注乱码、不显示、异常显示是什么原因造成的。而是使用了一种折中的解决方案:对于要使用TextSymbol的情况,先将...
  • 但是当时并没有很好的解决这样一个问题,也并没有深入研究分析这样的一个异常的产生原因,或者中文标注乱码、不显示、异常显示是什么原因造成的。而是使用了一种折中的解决方案:对于要使用TextSymbol的情况,先将...
  • 2.基于统计的分词:通过人工标注中文建模,将准备好的语料进行训练,选出不同阶段下每个词的出现概率。。。选出概率最大的情况进行分词。 比较好的解决分词奇异问题,但是却要耗费巨大的性能 获取语料? 1.已经有...
  • 开始之前,需要先明确中文命名实体识别这个任务做什么,以及数据集标注的格式。 命名实体识别(英语:Named Entity Recognition,简称NER,指识别文本中具有特定意义的实体,主要包括人名、地名、机构名、...
  • sphinx中文语音训练手册

    热门讨论 2013-04-29 10:41:01
    本文档介绍Sphinx4在Windows下的中文训练过程及注意事项,与本文档配套的我自己的训练实例bergtrain和用到的软件。 本文档编写日期 2013-04-23 1、为什么要训练? sphinx4目前的版本中仅提供了英文等语音识别库。...
  • 平时网络授课或者录屏微课的朋友肯定有过这样的经历——需要在电脑屏幕进行标注。虽然很多录像软件都自带了一些标记工具,但是很多时候内置的标记工具并不是特别方便使用,或者功能过于简单,达不到想要的目的,...
  • 今天上午刚刚了一个小实验,关于pynlpir第三方工具包的的使用。首先要了解pynlpir是什么,一些大概知识点要了解。 1.pynlpir的介绍 NLPIR分词系统前身为2000年... 其主要的功能有中文分词,标注词性和获取...
  • ArcEngine中调用字段计算器的实现

    千次阅读 2018-12-06 15:53:30
     在数据制作软件的开发过程中,建设用地管制区和土地用途区两个要素类需要将地类代码字段按既定规则翻译成中文标注。这个需求本身在PC端软件中非常好实现,也不需要复杂代码。那就是利用layer文件中的Label来实现:...
  • 哪些地方应该填写什么内容,这些都会明确标注出来的。不过为了防止出错,我们还可以在单元格中一些手脚,限制对方输入内容,这样可以很好的预防对方输入错误。限制只能输入数字数据表格中必不可少的内容之一,...
  • 一个牛人提供的GIS源码(很好)

    千次下载 热门讨论 2010-08-25 22:49:21
    特色一:提出了地图接口的概念(其实当时的想法将网络上的所谓企业标注移植到了这个系统上,只是这个功能免费提供给了学校的部门使用)。 特色二:部分搜索功能通过搜索SQL输出XML来实现。 特色三:系统已经详细到...
  • 27、GC是什么? 为什么要有GC?  GC垃圾收集的意思(Gabage Collection),内存处理编程人员容易出现问题的地方,忘记或者错误的内存回收会导致程序或系统的不稳定甚至崩溃,Java提供的GC功能可以自动监测对象...
  • 我们本次实验的任务也一个序列标注问题,简而言之,就是基于BERT预训练模型,在中文NER(Named Entity Recognition,命名实体识别)任务上进行fine-tune。 Fine-tune是什么意思,中文译为微调。在transfer ...
  • 这些知识点基本本人在准备春招和秋招时的笔记,东西比较杂,有的自己总结,有的参考网上博客,可能不是很准确,还望各位批评指正,多多交流。 问-1:对于NLP任务来说,特征提取器需要满足什么能力? 答: 1...
  • 如何使用bert

    2019-11-25 20:33:50
    1.什么是bert bert原文中文翻译版,论文地址。 腾讯一篇对bert解读的文章,从零构建BERT,文章地址。 ...UER-py全称Universal Encoder ...uer的一些教程,知乎教程(bert情感分类、序列标注)。 ...
  • 用来做中文OCR的Python3包、中文人物关系知识图谱项目、中文nlp竞赛项目及代码汇总、中文字符数据、speech-aligner: 从“人声语音”及其“语言文本”产生音素级别时间对齐标注的工具、AmpliGraph: 知识图谱表示学习...
  • 1.2 用NLP什么 文本分类、机器翻译 中文文本纠错 商品卖点挖掘 任务型对话系统(导购机器人) 文本语义分析(交流体验,剪辑视频、表情包) 1.3 任务价值 1.4 难点 样本的准备(来源、洗涤、编辑) 应用范围较窄...
  • stm32神州开发板,SPI Flash使用分析。

    千次阅读 2011-09-09 15:06:49
    开始非常疑惑为什么连接Flash设备的引脚采用GPIO引脚,实际:GOPI重映射的具体信息在《【中文】STM32F系列ARM内核32位高性能微控制器参考手册V10_1》的8.3.10 SPI 1复用功能重映射。 SPI1重映像 复用...
  • 2.1 为什么是c++ 19 2.2 程序设计范型 19 2.3 过程式程序设计 20 2.3.1 变量和算术 21 2.3.2 检测和循环 22 2.3.3 指针和数组 23 2.4 模块程序设计 23 2.4.1 分别编译 24 2.4.2 异常处理 25 2.5 数据抽象 ...
  • 2.1 为什么是c++ 19 2.2 程序设计范型 19 2.3 过程式程序设计 20 2.3.1 变量和算术 21 2.3.2 检测和循环 22 2.3.3 指针和数组 23 2.4 模块程序设计 23 2.4.1 分别编译 24 2.4.2 异常处理 25 2.5 数据抽象 ...
  • C++程序设计语言(特别版)--源代码

    热门讨论 2012-04-23 07:33:51
    2.1 为什么是c++ 19 2.2 程序设计范型 19 2.3 过程式程序设计 20 2.3.1 变量和算术 21 2.3.2 检测和循环 22 2.3.3 指针和数组 23 2.4 模块程序设计 23 2.4.1 分别编译 24 2.4.2 异常处理 25 2.5 数据抽象 ...
  • 什么这份菜单 在整理 Git 资料的时候,我发现社区贡献了非常多高质量的博客文章、指南等等。尤其英文的那些资料,除了大家熟知的「Git 图解」,还有好多优秀的文章仍无人翻译。此外,这些资料往往只涉及某些...
  • 12.1.1 为什么PPT 256 12.1.2 讲一个好的故事 256 12.1.3 用颜值加分 257 12.1.4 总结 258 12.2 实战:有内容有颜值的分享 258 12.2.1 SODA 258 12.2.2 公益云图 260 12.2.3 上海BOT 262 12.2.4 总结 ...
  • 我将我的所有公开的算法资料整理的一个电子书,全部题目信息中文化,以前会有一些英文描述,感谢 @CYL 的中文整理。 限时免费下载!后期随时可能收费 有些动图,在成电子书(比如 pdf)的时候自然就变没了,...

空空如也

空空如也

1 2 3
收藏数 44
精华内容 17
关键字:

中文标注是做什么的