侵权投诉

知识图谱:基于实体的层次化概念体系的属性自动获取方法

深度学习自然语言处理 2020-11-05 09:23 次阅读

摘要:属性是实体的重要组成部分,因此如何自动获取实体的属性一直为知识图谱领域的研究者所关注。由哈尔滨工业大学社会计算与信息检索研究中心推出的开放域中文知识图谱《大词林》是通过从文本中自动挖掘实体及实体间的关系而构建而成,因此如何自动为实体添加属性也必然成为构建《大词林》所必须研究的问题之一。本文通过学习《大词林》中实体的概念层次结构和属性的表示,提出了一种基于注意力机制的属性自动获取方案。其想法可简述为,实体的属性可以通过检查它的概念类别来获得,因为实体可以作为它的概念类别的实例并继承它们的属性。实验结果显示,我们的方法能够为《大词林》中的实体自动添加属性,最终可以使大词林中实体属性的覆盖率达到95%以上。

1.简介

属性在知识图谱的构建中起着至关重要的作用,属性不仅能够丰富实体的概念、揭示实体的特性,并且在知识库中连接了不同的实体(例如:“director”是概念类“film”的属性,它也连接了类“film”和“person”的实体)。图1是《大词林》中实体“苹果”的概念层次路径和该概念路径下“苹果”的属性。事实上,我们可以合理的作此假设:一个实体具有何种属性通常是由其概念决定的,而不是由其本身决定。例如“苹果”和“鸭梨”均具有颜色的属性,是由其二者均具有“水果/植物/生物/物”这一概念路径决定的,而与“苹果”和“鸭梨”本身的标签无太多关系。因此,可以认为实体是它的概念的实例,实体的属性可以通过检查它的概念体系(或路径)来获得。

在本文中,我们提出一种基于实体的层次化概念体系的属性自动获取方法,以自动获取实体的属性提高知识库的构建效率。与仅仅使用一个词代表实体的概念相比(例如“university”表示实体是一所高等教育的学校),用具有层次结构的概念路径(几个表示概念的单词连接为一条路径,例如“institute/school/university”,前者是后者的上位词)更为明确和可靠。例如,“university”也可能指大学的教师和学生的主体,在“institute”和“school”的帮助下,实体是一所大学的意义得到细化。因此,我们使用概念路径来表示实体概念的层次结构,而不是仅仅使用一个单词。假设我们已经具有一个属性的集合(此集合可以通过已有知识库中的属性构建而成),受近期知识图谱表示学习的启发[1][2][3][4],我们考虑将《大词林》所具有的层次化的概念体系和属性集合中的属性映射到连续的向量空间,从而将属性获取问题转化为预测任务,即从属性集合中为《大词林》中的实体预测合适的属性。

图1《大词林》中“苹果”的层次化概念体系

传统方法大多直接将属性分配给实体,这给多角色实体带来了诸多不便。在《大词林》中,每个实体平均有两个概念。例如,实体“苹果”既可以指“水果”,也可以指“公司”,甚至可以指“电影”。然而,属性不像属性值一样具体,其更具有一般性。比如对于苹果的属性-“颜色”,其属性值是“绿色”,而其他水果的“颜色”不一定是绿色,但是其他水果也拥有“颜色”这一属性。对于属于同一概念的实体,它们几乎共享相同的属性集。这意味着与将属性分配给实体相比,将属性分配给其概念似乎更有意义。

多角色实体在概念和属性之间产生的属性分配歧义问题是我们工作的主要挑战。举例来说,通过已有的知识库(例如百度百科或维基百科),我们很容易能够得知“苹果”有一个“导演”的属性,但很难获取与这个属性相关联的概念。而事实上,实体的属性又是由其概念决定的,例如在“苹果”具有的多种含义中,如“水果”、“电影”或“公司”等,直接与属性“导演”相关的概念是“电影”。为此,我们提出了一种基于注意力模型的层次化概念体系表示方法,来对实体的概念体系和属性之间的映射进行学习,以解决此问题。

本文以百度百科的属性数据为基础构建属性集合,并利用百度百科中的属性向《大词林》中的实体添加属性。我们随机抽取了《大词林》中687392个实体,有395327个实体具有至少一个属性,余下292065个实体没有任何属性。,如果单纯依靠百度百科向《大词林》中的实体提供属性,那么属性对实体的覆盖率为57.51%。但是如果考虑到具有相同概念的实体共享类似的属性,并依此进行补全,那么属性的覆盖率可提高至98.48%。

图2属性推荐图例

以图2为例,如果依靠百度百科,只有部分实体拥有完整的属性,但是由于缺失属性的实体和已有属性的实体共享相同的概念,因此可以将已知的属性推荐给缺少属性的实体。图3显示了《大词林》中“止痛片”概念下的部分实体,其中“玄胡止痛片”和“祛止痛片”不具有任何属性,通过概念补全后这两个实体拥有了相应的属性,结果如图4所示。

图3“止痛片”概念下的部分实体和其属性

图4通过概念补全后的实体属性

2.模型介绍

本文中涉及的属性获取任务是通过给定{E,C,A,R1,R2}来预测R3,并通过R3来完成根据实体的概念路径将属性集合中的属性推荐给实体的任务。E代表《大词林》中的实体集合,C代表《大词林》中的概念集合(也称为上位词),A代表属性集合(由百度百科获取),R1代表每个实体的上位词路径(也称为概念路径),R2代表每个实体具有的属性(通过百度百科直接映射得到),R3是实体的概念路径与属性的对应关系,整个过程如图5所示。

图5用符号表示的任务定义

2.1通过LSTM实现概念路径的表示学习

本文使用LSTM[5]来学习概念路径的表示。图4显示了一个使用LSTM建模概念路径的方法。其中LSTM-cell[6]由浅灰色框标出,序列模型的最终输出由深灰色框标出,LSTM应用于概念路径“/抽象事物/机构/教育机构/学校/大学”上,最终输出为概念路径的向量表示。

图6用于概念路径表示的LSTM网络

2.2利用注意力模型完成概念路径的叠加嵌入表示

如前所述,我们可以将百度百科中的属性添加到《大词林》与百度百科同现的实体上而完成属性的初步填充,但是经过抽样统计发现这种方法仅仅能够为《大词林》不到60%的实体添加上属性。基于属性初步填充的结果,我们可以得到一组(Pe,a)形式的元组,其中Pe是给定实体e的概念路径集合,a是实体的属性,然而我们并不知道Pe中的哪一条路径具有属性a。为了确定实体的概念路径和属性的映射关系,进而将属性映射到对应的实体上,我们提出一种解决方法,它由三部分组成:

概念路径的表示学习(图5介绍);

概念路径上的选择注意力机制以确定概念路径和属性的对应关系;

基于翻译的嵌入模型预测实体的属性。整体结构如图7所示。

图7属性预测整体解决方案

与传统的基于翻译的嵌入方法专注于实体-关系-实体三元组(h,r,t)[1]不同,我们所期望获得的是由实体不同的概念路径及其对应属性形成的二元元组(p,a)。因此,不像三元组(h,r,t)中有r这样的显式算子,我们为每个属性构造一个映射矩阵,其映射过程为pMa=a,其中p,a,Ma分别是概念路径、属性及映射矩阵的嵌入向量。

因为已知的仅仅是某个实体具有哪些属性,这样必须退而求其次通过LSTM学习每个实体的所有概念别路径的表示,显然的不同的概念路径对某一实体是否具有某个属性的影响是不一样的。例如,“水果”这一概念能够确定实体“苹果”可以具有属性“颜色”,而“电影”这一概念能够确定实体“苹果”应该具有“制片人”这一属性。这样,我们就不能对每个概念路径一视同仁。由图7所示,我们用选择注意力模型去建模概念路径和属性的对应关系,以尽可能降低训练中产生的噪声。通过计算每一条概念路径和要预测属性的匹配度来为每条路径分配权重。最终使用学习到的权重和每条路径的表示结果加权求和来确定最终的这个实体的路径表示pe。

2.3训练方法

根据上文的描述,我们希望当概念路径p拥有a这一属性时,pMa和要预测的属性a的距离最短;相反,当p不具有属性a时,则距离较长。为实现此目标,我们使用L1或者L2范数来度量两者之间的距离,记为d(pMa,a)。利用元组(Pe,a)的集合作为训练集Ω,Pe是对于一个给定实体e的概念路径集合,a是实体e的属性。然后我们在训练集上最小化边界距离来共同学习概念路径和属性的表示:

γ>0是一个边界超参数,a和a’分别代表实体属性的正例与负例。

3.实验结果

3.1数据集介绍

实验数据由《大词林》中抽样得到,具体方法如下:

随机抽取20000个实体及其概念路径。

利用百度百科向这些实体填充属性。

对属性进行低频过滤,保留至少出现在20个实体中的属性。

随机选取3000个实体作为测试集验证“基于实体预测属性”这一任务的效果,同时随机选取240条概念路径作为测试集验证“基于概念路径预测属性”这一任务的效果。数据集的统计如表1所示,APE和APC分别代表基于实体和基于概念路径的属性预测任务。

表1数据集统计结果

3.2实体属性预测(APE)

从实体的角度来看,预测其属性无疑是必要和重要的。因此,我们提出了实体属性预测任务(APE),以预测给定实体的属性。当然由于实体可能具有多重含义,因此我们也希望能够将属性和其对应的概念路径联系起来(APC任务)。

由于实体被视为其概念的实例,因此仅通过检查实体的概念就可以获得实体的属性集。在APE中,对于给定的实体,我们首先获取其概念路径集合,然后使用它们来预测实体的属性。Hits@k评价方法适用于APE任务,因为可以过滤掉某些同义的属性,比如“中文名(中文名字)”,“外文名(英文名字)”,等等,结果如表2所示。

表2APE任务的Hit@k值

除了在全部实体上检查Hits@k之外,实验中还考虑了不同概念类别的实体(即,“物”、“抽象”、“人”)。表2括号中的数字为对应不同类别的实体的数量。结果表明,近76%的实体在前20个预测属性中至少获得了一个正确的属性。对于“人”类型的实体,Hits@k的结果除Hits@1外均超过80%。另外两类的结果与整体评价相比较差。

事实上,表2中的结果是从以百度百科中的属性数据为基础向《大词林》做映射而构建的测试集上得到的,但是由于百度百科中的实体过多依赖于人工众包而《大词林》中的实体则完全由文本中自动抽取得到,因此两者存在不对等,从而引入了大量的噪声而影响了评测的准确率。当然,更加有效的方法是人工构建测试集,但是这样太费时费力了。

由于实体具有多重含义,因此我们更加关心我们的模型是否能够通过预测属性来区分实体的多重含义。这里我们仅仅通过抽样的方式构建了实体“苹果”和“利华”的属性预测结果,如图8所示。沿箭头方向,我们给出了实体不同的概念路径对应的属性预测结果,以“苹果”为例,其在《大词林》中具有“水果”、“电影”、“公司”三种含义,而左侧的“科”、“拉丁学名”等则代表“苹果”的部分属性。图中的颜色代表根据注意力机制对不同概念路径的预测属性的注意程度,单元格颜色越深表示权重越大。

从注意力矩阵可以看出,属性大多出现在其对应的概念路径上,在不相关的概念路径上权重几乎为零。如概念路径“/抽象事物/电影”引起了属性“片长、出品公司、制片人”的注意。但是,也有一些错误的理解,例如属性“中文名”和“外文名”只出现在“人物”或“公司”对应的概念路径中的一条上,这是不准确的,因为从常识上来说这两个属性都应该被这两条概念路径分别包含。幸运的是,这种错误可以被APC任务所掩盖,因为APC从实体的角度来预测属性。

图8多角色实体属性预测结果

3.3概念路径属性预测(APC)

从概念路径的角度出发,我们提出了概念路径属性预测任务,以评估模型将概念路径映射到属性的能力。在这个任务的预测过程中,我们使用了没有针对概念路径的选择性注意力模型,因为任务APC中只涉及一个唯一的概念路径,因此不需要注意力机制。

由于中文缺乏标准的“概念类别-属性”对评测数据集,我们手动标注结果的正确性:top-k预测属性。手动标注原则如下:

过滤不准确的概念路径。

过滤掉过于抽象的概念路径,例如:“/抽象事物/能力/竞争力”。

经过筛选,在P@k评估中包含了240条待测试的概念路径中的184条(见表1)。最终结果如表3所示,括号中的数字为具有过滤后的概念路径的实体的数量。由结果可知,可以利用学习到的路径表示来准确预测概念路径对应的属性,全局结果的P@1的准确率超过75%,不同实体类别中P@10的准确率接近70%。事实上,这些给定的概念路径在训练阶段是看不到的,但是由结果显示属性可以准确的映射到相对应的概念路径上,这表明《大词林》的构建是动态的。我们还从表3的预测结果中列出了一些例子,并在表4中标注了中文和英文。注意,这些例子对应的概念属于不同的领域,但是我们的模型可以准确地预测与这些领域相关的属性。

表3APC任务的P@k值

表4不同领域的概念路径属性映射情况

4.结论

属性是实体的重要组成部分,属性添加一直为知识图谱研究领域的学者所关注。本文围绕《大词林》研究了如何为知识图谱自动添加属性这一问题。通过联合学习《大词林》中实体的概念层次结构表示和属性的表示,可以获得实体概念至属性的映射,自动地为实体添加合适的属性。在实验阶段,我们设计了两种不同的属性获取任务以验证本文提出的属性获取方法的准确性,包括给定实体预测隶属于实体的属性以及给定实体的某个概念预测属于该概念下的属性。实验结果表明,本文提出的属性获取方法能够将属性准确地映射到实体对应的某个概念下,能够实现自动的属性获取,提高了知识库的可扩展性和提升了知识库的构建效率。

参考文献

[1]AntoineBordes,NicolasUsunier,AlbertoGarcia-Duran,JasonWeston,andOksanaYakhnenko.2013.Translatingembeddingsformodelingmulti-relationaldata.InAdvancesinneuralinformationprocessingsystems,pages2787–2795.

[2]YankaiLin,ZhiyuanLiu,MaosongSun,YangLiu,andXuanZhu.2015.Learningentityandrelationembeddingsforknowledgegraphcompletion.InAAAI,pages2181–2187.

[3]ZhenWang,JianwenZhang,JianlinFeng,andZhengChen.2014.Knowledgegraphembeddingbytranslatingonhyperplanes.InAAAI,pages1112–1119.

[4]HanXiao,MinlieHuang,andXiaoyanZhu.2015.Fromonepointtoamanifold:Knowledgegraphembeddingforpreciselinkprediction.arXivpreprintarXiv:1512.04792.

[5]SeppHochreiterandJürgenSchmidhuber.1997.Longshort-termmemory.Neuralcomputation,9(8):1735–1780.

[6]AlexGravesandJürgenSchmidhuber.2005.Framewisephonemeclassificationwithbidirectionallstmandotherneuralnetworkarchitectures.NeuralNetworks,18(5):602–610.

责任编辑:xj

原文标题:【赛尔原创】如何自动地向知识图谱中添加属性?

文章出处:【微信公众号:深度学习自然语言处理】欢迎添加关注!文章转载请注明出处。

原文标题:【赛尔原创】如何自动地向知识图谱中添加属性?

文章出处:【微信号:zenRRan,微信公众号:深度学习自然语言处理】欢迎添加关注!文章转载请注明出处。

收藏 人收藏
分享:

评论

相关推荐

一种基于磁性薄膜的触觉传感器,结合深度学习算法

人类的皮肤不仅可以感知力的大小和方向(自解耦),并且对外界刺激的定位精度可以超越触觉感受器间的平均间....
的头像 机器人大讲堂 发表于 02-26 13:51 122次 阅读
一种基于磁性薄膜的触觉传感器,结合深度学习算法

AI视觉在教育场景中的创新应用

我们的核心能力包括智能多摄、单帧/多帧画质,这类算法在手机客户中应用较多;人像美化,包括AR特效等会....
的头像 LiveVideoStack 发表于 02-23 17:10 380次 阅读
AI视觉在教育场景中的创新应用

Switch Pro或将支持NVIDIA的DLSS深度学习超采样技术

尽管社长谷川俊太郎明确表示,短期内没有更新Switch硬件的计划,但多方线报显示,Switch升级版....
的头像 lhl545545 发表于 02-23 10:36 178次 阅读
Switch Pro或将支持NVIDIA的DLSS深度学习超采样技术

消息称Switch Pro将支持NVIDIA的DLSS深度学习超采样技术

尽管社长谷川俊太郎明确表示,短期内没有更新Switch硬件的计划,但多方线报显示,Switch升级版....
的头像 工程师邓生 发表于 02-23 10:06 316次 阅读
消息称Switch Pro将支持NVIDIA的DLSS深度学习超采样技术

人工智能计算体系与通讯架构的革新展望

人工智能从20世纪50年代开始,经历了60年起伏的发展历程。其中,AI共经历了2次发展的春天和冬天,....
的头像 电子魔法师 发表于 02-21 09:28 357次 阅读
人工智能计算体系与通讯架构的革新展望

地平线C轮融资已达9亿美元

日前,地平线公告完成 C3 轮 3.5 亿美元融资,其中不仅获得国投招商、中金资本旗下基金、众为资本....
的头像 中关村集成电路设计园 发表于 02-20 18:02 1531次 阅读
地平线C轮融资已达9亿美元

瑞萨电子推出升级版R-Car V3H,提升深度学习性能,满足包括驾乘人员监控系统的最新NCAP要求

R-Car V3H为尖端计算机视觉提供卓越TOPS/Watt性能并提供向NCAP 2025的迁移路径....
发表于 02-19 11:36 493次 阅读
瑞萨电子推出升级版R-Car V3H,提升深度学习性能,满足包括驾乘人员监控系统的最新NCAP要求

科学家通过深度学习算法检测黑色素瘤

据外媒报道,人工智能开始与智能手机技术结合,其方式可能会对我们监测健康的方式产生深远的影响,从跟踪糖....
的头像 如意 发表于 02-19 11:32 225次 阅读
科学家通过深度学习算法检测黑色素瘤

机器算法深度学习将成为企业的未来方向

机器算法深度学习在商业领域带来了许多变化。根据定义,它被视为人工智能的子领域,它可以基于输入数据来累....
发表于 02-13 15:55 1057次 阅读
机器算法深度学习将成为企业的未来方向

细解读关系抽取SOTA论文

本文主要详细解读关系抽取SOTA论文Two are Better than One:Joint En....
的头像 深度学习自然语言处理 发表于 02-10 17:18 251次 阅读
细解读关系抽取SOTA论文

positional encoding详解

近期我会一连几篇谈谈bert中的关键细节,这个position encoding是我看到的bert(....
的头像 深度学习自然语言处理 发表于 02-10 17:12 153次 阅读
positional encoding详解

实体关系联合抽取取得SOTA的三种方法

2020实体关系联合抽取一片红海,各种SOTA方法你方唱罢我方登场,在一些数据集上也是不断刷出新高度....
的头像 深度学习自然语言处理 发表于 02-10 17:08 248次 阅读
实体关系联合抽取取得SOTA的三种方法

一篇知识图谱表示学习汇报ppt

本文分享一篇知识图谱表示学习汇报ppt,将知识图谱表示学习方法粗略分为四大类,涉及将近30篇优秀论文....
的头像 深度学习自然语言处理 发表于 02-10 16:52 136次 阅读
一篇知识图谱表示学习汇报ppt

浅谈人工智能目前所应用的五大领域

根据调研机构IDC公司最近发布的一份《全球人工智能支出指南》,预计全球人工智能预算将在未来四年翻一番....
发表于 02-09 16:08 834次 阅读
浅谈人工智能目前所应用的五大领域

深度学习图像识别解释方法的概述

  图像识别(即 对图像中所显示的对象进行分类)是计算机视觉中的一项核心任务,因为它可以支持各种下游....
的头像 LiveVideoStack 发表于 02-04 16:33 395次 阅读
深度学习图像识别解释方法的概述

TensorFlow模型优化:模型量化

大家都知道模型是有权重 (w) 和偏置 (b) 组成,其中 w,b 都是以 float32 存储的,....
的头像 TensorFlow 发表于 02-04 15:40 254次 阅读
TensorFlow模型优化:模型量化

TensorFlow 在工业图像视觉领域的应用经验

我是一名来自苏州的机器视觉开发者,从事传统的机器视觉算法开发有 11 年了,从 2018 年开始,因....
的头像 TensorFlow 发表于 02-04 14:04 310次 阅读
TensorFlow 在工业图像视觉领域的应用经验

如何使用MR分析实现室内弱覆盖精准定位案例

室内深度覆盖是影响LTE用户感知的焦点,而传统DT状路测无法精准识别室内覆盖盲区, 同时现有现有价值....
发表于 02-03 14:11 27次 阅读
如何使用MR分析实现室内弱覆盖精准定位案例

如何使用神经网络实现实体属性情感分析

属性情感分析是细粒度的情感分类任务。针对传统神经网络模型无法准确构建属性情感特征的问题,提出了一种融....
发表于 02-03 11:40 30次 阅读
如何使用神经网络实现实体属性情感分析

深度学习中的类别激活热图可视化介绍

深度学习中的类别激活热图可视化
发表于 02-03 07:02 0次 阅读
深度学习中的类别激活热图可视化介绍

凌华科技推出深度学习加速平台DLAPx86系列 实现更智能的边缘AI推理

高性能异构架构——采用Intel®处理器和NVIDIA Turing™ GPU架构,提供比其他技术更....
发表于 02-02 14:10 768次 阅读
凌华科技推出深度学习加速平台DLAPx86系列  实现更智能的边缘AI推理

深度学习与机器学习的区别是什么

随着人工智能浪潮席卷现代社会,不少人对于机器学习、深度学习、计算机视觉、自然语言处理等名词已经耳熟能....
的头像 陈翠 发表于 02-02 10:56 289次 阅读
深度学习与机器学习的区别是什么

国产EDA工具为本土3D视觉AI芯片设计赋能

埃瓦科技是业界领先的芯片设计和视觉算法系统方案商,聚焦终端市场,提供超低功耗的3D视觉人工智能模块化....
发表于 02-02 09:10 1028次 阅读
国产EDA工具为本土3D视觉AI芯片设计赋能

新思科技DesignWare ARC EV系列处理器IP实现超分辨率

在深度学习和神经网络算法出现之前,我们无法通过计算将低分辨率、模糊不清的图像转换为平滑的高分辨率图像....
的头像 电子发烧友网 发表于 02-01 17:32 288次 阅读
新思科技DesignWare ARC EV系列处理器IP实现超分辨率

北京启动首个AI产业方向创新应用平台

北京市经信局近日授予百度公司“北京市人工智能产业创新应用平台(百度飞桨)”资质,这也是北京首个AI产....
的头像 电子魔法师 发表于 02-01 10:43 378次 阅读
北京启动首个AI产业方向创新应用平台

深度学习中的类别激活热图可视化

导读:使用Keras实现图像分类中的激活热图的可视化,帮助更有针对性的改进模型。
发表于 01-30 06:09 33次 阅读
深度学习中的类别激活热图可视化

全面了解人工智能的重要分支技术知识图谱

  知识图谱(Knowledge Graph)是人工智能的重要分支技术,它在2012年由谷歌提出,成....
的头像 传感器技术 发表于 01-29 16:27 247次 阅读
全面了解人工智能的重要分支技术知识图谱

使用患者面部的照片来准确检测与年龄有关的认知障碍

通过测试在现有图像集上预先训练的五个深度学习模型,该团队发现,从117名健康志愿者中分离出121位受....
的头像 倩倩 发表于 01-28 15:23 236次 阅读
使用患者面部的照片来准确检测与年龄有关的认知障碍

四足机器人智能感知系统研究工作取得突破性进展

该系统研制团队负责人郭睿介绍,爬楼梯、跨越障碍物这类行为是传统轮式机器人很难做到的,而四足机器人可轻....
的头像 倩倩 发表于 01-28 14:26 378次 阅读
四足机器人智能感知系统研究工作取得突破性进展

图神经网络的重要意义

图神经网络是近年来新兴的一种智能算法,其将深度学习算法和图计算算法相融合,取长补短,以达到更优的认知....
的头像 倩倩 发表于 01-28 14:18 387次 阅读
图神经网络的重要意义

深度学习中过拟合/欠拟合的问题及解决方案

在进行数据挖掘或者机器学习模型建立的时候,因为在统计学习中,假设数据满足独立同分布(i.i.d,independently and identically...
发表于 01-28 06:57 101次 阅读
深度学习中过拟合/欠拟合的问题及解决方案

深度 deepin 20 系统 11031.002 内测开启:Linux 内核升级到 5.10

1月27日消息 深度操作系统官方近期表示,为了保证即将发布的深度操作系统 11031.002(bui....
的头像 工程师邓生 发表于 01-27 16:50 580次 阅读
深度 deepin 20 系统 11031.002 内测开启:Linux 内核升级到 5.10

未来的深度学习应用应该朝哪个方向发力呢,才能做大蛋糕?

CV信号描述了对象的细节,具有一定的冗余度,而NLP信号是对象的抽象化描述,具有一定的模糊性。CV信....
的头像 新机器视觉 发表于 01-27 11:34 307次 阅读
未来的深度学习应用应该朝哪个方向发力呢,才能做大蛋糕?

用深度学习框架分析数据,AI仿真超大规模临床试验

和开发研制新药一样,发现老药的新用途也是医药科研人员和制药厂商的工作之一。目前,老药新用的发现途径多....
的头像 DeepTech深科技 发表于 01-27 11:26 829次 阅读
用深度学习框架分析数据,AI仿真超大规模临床试验

为什么这三家公司最终都不约而同地放弃TensorFlow

在汽车行业,PyTorch 的应用尤为广泛——它可以应用于 Tesla 和 Lyft Level 5....
的头像 新机器视觉 发表于 01-27 11:03 606次 阅读
为什么这三家公司最终都不约而同地放弃TensorFlow

深度学习在表面缺陷检测领域的概述

当前对于缺陷有两种认知的方式,第一种是有监督的方法,也就是体现在利用标记了标签(包括类别、矩形框或逐....
的头像 新机器视觉 发表于 01-27 10:57 528次 阅读
深度学习在表面缺陷检测领域的概述

深度学习在58同城首页推荐中的应用

推荐过程可以概括为数据算法层通过相关召回算法根据用户的兴趣和行为历史在海量帖子中筛选出候选集,使用相....
的头像 TensorFlow 发表于 01-27 10:37 256次 阅读
深度学习在58同城首页推荐中的应用

深度学习入门基于Python的理论与实现的PDF电子书免费下载

本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python 3....
发表于 01-27 08:00 91次 阅读
深度学习入门基于Python的理论与实现的PDF电子书免费下载

百度发布2021年十大科技趋势预测

2020年,全球经济与社会陷入诸多不确定性当中,或许会让很多人对未来产生疑惑。然而同样是在2020年....
的头像 青岛科技通 发表于 01-26 17:52 655次 阅读
百度发布2021年十大科技趋势预测

Graphcore宣布学术计划,支持并加速人工智能创新

在启动Graphcore学术计划之前,IPU研究人员已经展示了一系列突破性的应用,以及与传统处理器系....
发表于 01-26 15:10 297次 阅读
Graphcore宣布学术计划,支持并加速人工智能创新

2021 IEEE Fellow学术大盘点 优秀学者推荐

本 期再次为您带来的5位学者分别是,清华大学电子工程系教授王昭诚、浙江大学电气工程学院教授文福拴、南....
的头像 IEEE电气电子工程师学会 发表于 01-26 14:11 257次 阅读
2021 IEEE Fellow学术大盘点 优秀学者推荐

人工智能应对数字化转型挑战的5个领域

人工智能如何帮助组织解决数字化转型挑战?可以从客户服务到资源优化的一些示例中获得经验。
的头像 电子魔法师 发表于 01-26 14:08 816次 阅读
人工智能应对数字化转型挑战的5个领域

Turing AI Acceleration Fellowships将为15家英国顶级AI创新者提供资源

奖学金获得者包括研究人员,斯特拉斯克莱德大学光子学研究所高级讲师安东尼奥·赫尔塔多博士和格拉斯哥大学....
的头像 倩倩 发表于 01-25 09:38 505次 阅读
Turing AI Acceleration Fellowships将为15家英国顶级AI创新者提供资源

AI研究中的热门主题有哪些

如果您正在阅读本文,那么您已经被人工智能(AI)技术所包围,这也超出了您的想象。通常,当人们听说AI....
的头像 电子魔法师 发表于 01-25 09:36 277次 阅读
AI研究中的热门主题有哪些

如何使用音频来估计与讲话用户之间的距离,并识别周围的声音

专利申请说:“通常希望设备使用[其]紧凑型麦克风阵列来估算从设备到用户的距离。” “例如,该设备可以....
的头像 倩倩 发表于 01-22 16:32 370次 阅读
如何使用音频来估计与讲话用户之间的距离,并识别周围的声音

2021年人工智能产业五大发展趋势

人工智能又将有什么新的发展趋势?结合头部企业、机构研究院的产业前瞻与趋势洞察,现将2021年人工智能....
的头像 电子魔法师 发表于 01-22 10:06 1284次 阅读
2021年人工智能产业五大发展趋势

深度学习中过拟合、欠拟合问题及解决方案

如何判断过拟合呢?我们在训练过程中会定义训练误差,验证集误差,测试集误差(泛化误差)。训练误差总是减....
发表于 01-22 07:44 60次 阅读
深度学习中过拟合、欠拟合问题及解决方案

一篇题为《2020 AI,DL和ML的预测》的文章

这是我去年的第一个预测,这很合适,因为在过去的12个月中,我们已经看到大公司进行大笔交易,创造了AI....
的头像 倩倩 发表于 01-21 15:59 577次 阅读
一篇题为《2020 AI,DL和ML的预测》的文章

深度学习在检测和定位结直肠息肉方面的准确性高达96%以上

医学博士Franco Radaelli和医学博士Silvia Paggi认为该研究的意义,并提出了“....
的头像 倩倩 发表于 01-21 15:12 414次 阅读
深度学习在检测和定位结直肠息肉方面的准确性高达96%以上

深度学习算法和应用涌现的背后,是各种各样的深度学习工具和框架

回顾深度学习框架的演变,我们可以清楚地看到深度学习框架和深度学习算法之间的紧密耦合关系。这种相互依赖....
的头像 传感器技术 发表于 01-21 13:46 522次 阅读
深度学习算法和应用涌现的背后,是各种各样的深度学习工具和框架

两个定义能更好地描述FPGA

在深度学习和区块链盛行之前,有一段时间 GPU 是用来处理图形的。在 21 世纪初,人们意识到他们在....
的头像 玩转单片机 发表于 01-20 17:26 370次 阅读
两个定义能更好地描述FPGA

《深度强化学习、深度学习、迁移学习、知识图谱》技术应用

发表于 01-17 14:59 606次 阅读
《深度强化学习、深度学习、迁移学习、知识图谱》技术应用

【米尔FZ3深度学习计算卡试用体验】内核源码编译&RTL8192EU驱动

       开发板上自带了内核源码,在/home/xilinx/build/tmp/work-shared/plnx-zynqmp/下面有一个156MB的t...
发表于 12-20 17:46 1111次 阅读
【米尔FZ3深度学习计算卡试用体验】内核源码编译&RTL8192EU驱动

【米尔FZ3深度学习计算卡试用体验】在米尔FZ3深度学习计算卡上跑自己的系统

在米尔FZ3深度学习计算卡上跑自己的系统米尔FZ3深度学习计算卡本质上是一块利用Zynq跑自定义的系统,并在其中加入FPGA...
发表于 11-27 21:21 2224次 阅读
【米尔FZ3深度学习计算卡试用体验】在米尔FZ3深度学习计算卡上跑自己的系统

HiSpark AI Camera HarmonyOS :3.深度学习探索[一] :鱼脸识别&资料整理与数据共享

【目录】 核心:鱼脸识别相关内容与数据共享杂记:VScode更换颜色主题分享:其他资料整理、罗列学习:内核与用户态APP通...
发表于 11-22 16:54 303次 阅读
HiSpark AI Camera HarmonyOS :3.深度学习探索[一] :鱼脸识别&资料整理与数据共享

【米尔FZ3深度学习计算卡试用体验】一 开箱

收到了漂亮的米尔FZ3B开发板,激动 开始有一个简约封面的包装盒 里面有缓冲垫海绵,保护里面的开发板 初见 除了...
发表于 11-13 15:23 707次 阅读
【米尔FZ3深度学习计算卡试用体验】一 开箱

什么是深度学习?

深度学习是什么意思
发表于 11-11 06:58 303次 阅读
什么是深度学习?

DIY剪刀石头布机器人(一)

背景:回家看到小外甥存了很多零用钱,作为舅舅,最近手头有点紧。于是经过几天的筹划,决定制作一个剪刀石头布机器人,向小外甥...
发表于 10-09 22:32 1292次 阅读
DIY剪刀石头布机器人(一)