宋岳庭 - 博客园

2020年9月21日

云栖大会2020 - NLP前沿技术与应用 - 基于机器阅读理解的电力知识库构建及问答技术

摘要： /本文仅供学习，无其他用途/ https://yunqi.aliyun.com/2020/session59?spm=5176.17663788.J_4370361230.20.3f676ec5iXfwJH 阅读全文

posted @ 2020-09-21 15:27 宋岳庭阅读(308) 评论(0) 推荐(0) 编辑

云栖大会2020 - AI重塑下一代搜索技术 - 自然语言处理在开放搜索中的应用 - 谢朋峻（程辰）

摘要： /本文仅供学习，无其他用途/ https://yunqi.aliyun.com/2020/session54?spm=5176.17663788.J_4370361230.16.3f676ec5iXfwJH 阅读全文

posted @ 2020-09-21 15:25 宋岳庭阅读(198) 评论(0) 推荐(0) 编辑

云栖大会2020 - NLP前沿技术与应用 - 人工智能在企业法务中的规划与实践

摘要： /本文仅供学习，无其他用途/ https://yunqi.aliyun.com/2020/session59?spm=5176.17663788.J_4370361230.96.5f4a6ec5dPLz5V 阅读全文

posted @ 2020-09-21 15:21 宋岳庭阅读(212) 评论(0) 推荐(0) 编辑

云栖大会2020 - AIoT前沿技术 - AIoT数字时代的基础能力 - 柯镇

摘要： /本文仅供学习，无其他用途/ 2020-09-20 16:13:51 https://yunqi.aliyun.com/2020/session68?spm=5176.17663788.J_4370361230.26.5f4a6ec5dPLz5V 阅读全文

posted @ 2020-09-21 15:19 宋岳庭阅读(295) 评论(0) 推荐(0) 编辑

2020年9月2日

《利用知识图提高抽象摘要的事实正确性》

摘要： Zhu, C., Hinthorn, W., Xu, R., Zeng, Q., Zeng, M., Huang, X., & Jiang, M. (2020). Boosting Factual Correctness of Abstractive Summarization. http://ar 阅读全文

posted @ 2020-09-02 10:31 宋岳庭阅读(208) 评论(0) 推荐(0) 编辑

2020年8月28日

关于表格的文本生成：Table-to-Text

摘要：我研究了3个例子：北京大学的wiki2bio、谷歌的ToTTo、微软的WIKITABLETEXT 北京大学的wiki2bio Liu, T., Wang, K., Sha, L., Chang, B., & Sui, Z. (2018). Table-to-text generation by st 阅读全文

posted @ 2020-08-28 13:05 宋岳庭阅读(1961) 评论(0) 推荐(1) 编辑

2020年8月26日

自动摘要的20篇文章

摘要： ![](https://img2020.cnblogs.com/blog/1761971/202008/1761971-20200826194244386-286894562.png) 阅读全文

posted @ 2020-08-26 19:43 宋岳庭阅读(150) 评论(0) 推荐(0) 编辑

2020年8月14日

DRGD+LCSTS

摘要： Li, P., Lam, W., Bing, L., & Wang, Z. (2017). Deep recurrent generative decoder for abstractive text summarization. EMNLP 2017 - Conference on Empiric 阅读全文

posted @ 2020-08-14 10:36 宋岳庭阅读(286) 评论(2) 推荐(0) 编辑

关于文本生成的一些资源

摘要： https://zhuanlan.zhihu.com/p/53622792 https://zhuanlan.zhihu.com/p/100290117 https://zhuanlan.zhihu.com/p/60701447 https://github.com/simplenlg/simple 阅读全文

posted @ 2020-08-14 10:35 宋岳庭阅读(103) 评论(0) 推荐(0) 编辑

2020年8月10日

LSTM基本信息

摘要：因为循环神经网络RNN存在长时间传输，信息丢失的问题，所以提出了LSTM，长短时间记忆网络。上图中，$x_{0}$和$x_{1}$的信息，在传输到$h_{3}$的时候，会存在严重丢失。如果花费大量精力去调整参数，也可以做到信息不丢失。但是这太难了。 LSTMs通过增加4个网络层来解决这个问题。阅读全文

posted @ 2020-08-10 10:21 宋岳庭阅读(171) 评论(0) 推荐(0) 编辑