抱歉,您的浏览器无法访问本站
本页面需要浏览器支持(启用)JavaScript
了解详情 >

Antarx' Blog

Antarx is the heart of scorpio.

这次来分析一下LeetCode中几道炒股题目 No.121 买卖股票的最佳时机题目描述给定一个数组 prices ,它的第 i 个元素 prices[i] 表示一支给定股票第 i 天的价格。 你只能选择 某一天 买入这只股票,并选择在 未来的某一个不同的日子 卖出该股票。设计一个算法来计算你所能获取的最大利润。 返回你可以从这笔交易中获取的最大利润。如果你不能获取任何利润,返回 0 。 示例...

两道关联题目,跳跃游戏,两道都没顺利做出来,好好记录一下。 55 跳跃游戏题目描述给定一个非负整数数组 nums ,你最初位于数组的 第一个下标 。 数组中的每个元素代表你在该位置可以跳跃的最大长度。 判断你是否能够到达最后一个下标。 示例 1: 输入:nums = [2,3,1,1,4] 输出:true 解释:可以先跳 1 步,从下标 0 到达下标 1, 然后再从下标 1 跳 3 步到达最...

问题描述Levenshtein 距离,又称编辑距离,指的是两个字符串之间,由一个转换成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符,插入一个字符,删除一个字符。编辑距离的算法是首先由俄国科学家 Levenshtein 提出的,故又叫 Levenshtein Distance 。 例如:字符串A: abcdefg字符串B: abcdef通过增加或是删掉字符 ”g”...

题目描述给定一个区间的集合 intervals ,其中 intervals[i] = [start_i, end_i] 。返回 需要移除区间的最小数量,使剩余区间互不重叠 。 示例 1: 输入: intervals = [[1,2],[2,3],[3,4],[1,3]] 输出: 1 解释: 移除 [1,3] 后,剩下的区间没有重叠。 示例 2: 输入: intervals = [ [1,2...

DGL 库升级到最新版本0.9.0+的测试版之后,运行老版本的代码会遇到错误 AttributeError: 'Column' object has no attribute deferred_dtype 在官方GitHub页面可以看到相关的讨论:GitHub issue 4107 个人推测是因为DGL版本升级对底层代码进行了重构,我的代码中,使用老版本的DGL构建了图实例,...

教训记录。 题目描述给出由小写字母组成的字符串 S,重复项删除操作会选择两个相邻且相同的字母,并删除它们。 在 S 上反复执行重复项删除操作,直到无法继续删除。 在完成所有重复项删除操作后返回最终的字符串。答案保证唯一。 示例: 输入:"abbaca"输出:"ca"解释:例如,在 "abbaca" 中,我们可以删除 "bb...

DEVONthink 是苹果系统下一款很好用的知识管理工具,然而,由于DEVONthink本身更侧重于档案管理,所以通常会和其他markdown类笔记软件打组合拳。 今天分享一款直接复制DEVONthink的item link为markdown链接样式的脚本: tell application id "DNtp" set theMarkdownLinks to &...

最近读到一系列KG的文章都使用了四元数(Quaternion)用于Embedding或者扩展GNN。四元数是一种区别于实数和复数的数学工具,在这里整理一些关于这个数学工具的基础知识。 四元数是什么四元数的基本运算加法:两个四元数$q$ and $p$ 的加法运算可以表示为: $$q + p = (q_r + p_r) + (q_i + p_i)\textbf{i} + (q_j +...

今天跟朋友讨论的一道有趣的面试问题:为什么Transformer中Scale-dot attention计算 $Attn = \text{Softmax}(\frac{QK^T}{\sqrt{d_k}})V$,缩放因子一定是$\sqrt{d_k}$ 而不是d_k或者其他形式?

本篇整理几种常见的知识图谱补全模型的原理以及对应的超参数。

整理最近阅读的时序知识图谱(Temporal Knowledge Graph)补全领域的文献。 基本概念首先,明确基本概念。现有的知识图谱表示为$\mathcal{G}={(h, r, t)}$ 的三元组集合,这是一种静态的图谱,目前针对这种形式的知识图谱补全任务,也就是预测三元组$(h, r, ?)$ 已经有大量的相关研究,包括Translation-based方法、Biline...

这是一个官方宣称比Argparser更好用的Python命令行开发工具包。

本篇汇总知识图谱补全任务(知识图谱链接预测任务)中的损失函数。因为链接预测任务是一个排序任务,因此loss的选择会影响最后排序的规则。

来源:ACL 2021
领域:KGQA
核心模型:TComplEx / TNTComplEx,BERT
🔗论文链接:arXiv
🔗代码:GitHub
文献依赖:
- Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings

来源:ACL 2020领域:KGQA模型:EmbedKGQA核心模型:ComplEx;BERT/RoBERTa代码:GitHub 关注问题多跳KGQA中,KG的不完整性带来独特的挑战。现有解决方案中包括使用文本,但文本不一定存在;KGE可以解决补全问题,但还没有研究将两者结合在一起,本文是这方面的一次尝试。 Model 模型分为三个核心模块:KG Embedding Module,...

关注问题:现有的少样本知识图谱补全技术主要针对静态知识图谱,事实上KG中的Fact会根据时间而变化,时序图谱数据面临更严重的数据稀疏问题。本文针对这个问题提出One-Shot场景提出模型。
来源:AAAI 2021

来源:AAAI 2020
代码:GitHub
关注问题:零样本关系的知识图谱补全

出处:ICLR 2021
代码链接:https://github.com/guolinke/TUPE