知识图谱2005年至2019年部分顶会论文，包括关系抽取、命名实体识别、实体消歧、事件抽取、问答系统和知识表示方向的论文
2024/10/15 5:45:53
43.21MB
1
基于Pytorch和torchtext的知识图谱深度学习框架，包含知识表示学习、实体识别与链接、实体关系抽取、事件检测与抽取、知识存储与查询、知识推理六大功能模块，已实现了命名实体识别、关系抽取、事件抽取、表示学习等功能。
2024/6/16 14:18:21
24KB
1
2005年-2019年ACL、COLING、EMNLP等顶级会议上知识图谱领域的80篇经典论文：综述类（3篇）、知识表示（10篇）、命名实体识别（19篇）、实体消歧（12篇）、关系抽取（10篇）、事件抽取（8篇）、问答系统（17篇）。
本资源以文档存储了永久有效链接，分享给各位学习，一起进步
本资源以文档存储了永久有效链接，分享给各位学习，一起进步
2024/6/1 22:28:21
11KB
1
实体关系抽取作为信息抽取、自然语言理解、信息检索等领域的核心任务和重要环节,能够从文本中抽取实体对间的语义关系.近年来,深度学习在联合学习、远程监督等方面上的应用,使关系抽取任务取得了较为丰富的研究成果.目前,基于深度学习的实体关系抽取技术,在特征提取的深度和模型的精确度上已经逐渐超过了传统基于特征和核函数的方法.围绕有监督和远程监督两个领域,系统总结了近几年来中外学者基于深度学习的实体关系抽取研究进展,并对未来可能的研究方向进行了探讨和展望.
2023/11/21 3:24:24
1.85MB
1
清华大学NYT10关系抽取数据集，包含了53个关系，522043个句子实例，数据近程监督数据集，来源于NewYorkTimes和FreeBase。
2023/2/15 23:27:38
69.74MB
1
对关系抽取技术研讨概况进行总结。
在回顾关系抽取发展历史的基础上，将关系抽取研讨划分为两个阶段:面向特定领域的关系抽取研讨和面向开放互联网文本的关系抽取研讨。
在分析相关文献的基础上，总结出两个研讨阶段的技术路线:面向特定领域的关系抽取技术以基于标注语料的机器学习方法为主;面向开放互联网文本的关系抽取则根据不同任务需要，采取基于启发式规则的方法或者基于背景知识库实例的机器学习方法。
在回顾关系抽取发展历史的基础上，将关系抽取研讨划分为两个阶段:面向特定领域的关系抽取研讨和面向开放互联网文本的关系抽取研讨。
在分析相关文献的基础上，总结出两个研讨阶段的技术路线:面向特定领域的关系抽取技术以基于标注语料的机器学习方法为主;面向开放互联网文本的关系抽取则根据不同任务需要，采取基于启发式规则的方法或者基于背景知识库实例的机器学习方法。
2019/1/6 23:35:30
427KB
1
提供高中数学学科的知识数据集，包含6661个样本和706个实体，提供了基于该数据集的实体关系数据库（一共12种关系，11250个实体关系对）。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
2017/8/3 11:49:43
502KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB