作者文章归档：justlin_01
导读：在互联网新零售的大背景下，商品知识图谱作为新零售行业数字化的基石，提 供了对于商品相关内容的立体化、智能化、常识化的理解，对上层业务的落地起到了 至关重要的作用。相比于美团大脑中围绕商户的知识图谱而言，在新零售背景下的商 品知识图谱需要应对更加分散、复杂的数据和业务场景，而这些不同的业务对于底层 知识图谱都提出了各自不同的需求和挑战。美团作为互联网行业中新零售的新势力， 业务上已覆盖了包括外卖、商超、生鲜、药品等在内的多个新零售领域，技术上在相 关的知识图谱方面进行了深入探索。本文将对美团新零售背景下零售商品知识图谱的 构建和应用进行介绍。
近年来，人
之前讲的RNN都只有一个隐藏层（序列变长不算是深度），而一个隐藏层的RNN一旦做的很宽就容易出现过拟合。因此我们考虑将网络做的更深而非更宽，每层都只做一点非线性，靠层数叠加得到更加非线性的模型。
浅RNN：输入-隐层-输出
深RNN：输入-隐层-隐层-...-输出
（课程视频中的图片有错误，最后输出层后一时间步是不受前一步影响的，即没有箭头）
可以说，长短期记忆网络的设计灵感来自于计算机的逻辑门。 长短期记忆网络引入了记忆元（memory cell），或简称为单元（cell）。 有些文献认为记忆元是隐状态的一种特殊类型， 它们与隐状态具有相同的形状，其设计目的是用于记录附加的信息。 为了控制记忆元，我们需要许多门。 其中一个门用来从单元中输出条目，我们将其称为输出门（output gate）。 另外一个门用来决定何时将数据读入单元，我们将其称为输入门（input gate）。 我们还需要一种机制来
比如上图中的序列，若干个猫中出现了一个鼠，那么我们应该重点关注这个鼠，而中间重复出现的猫则减少关注。文本序列同理，通常长文本我们需要关注的是几个关键词，关键句。
更新门Zt，重置门Rt的公式大体相同，唯一不同的是学习到的参数。
需要注意的是，计算门的方式和原来RNN的实现中计算新的隐状态相似，只是激活函数改成了sig
这篇文章梳理下目前命名实体识别（NER）的业务场景与SOTA方法。 说到NER，是绕不开BERT+CRF的，根据本人的经验，BERT+CRF就算不是你当前数据集的SOTA，也与SOTA相差不大了，但考虑到 更好的效果：CRF虽然引入了无向图，但只约束了相连结点之间的关联，并没有从全局出发来考虑问题 更复杂的业务场景：如Flat NER到Nested NER、不连续NER等复杂业务场景的不断涌现，CRF是否还能优雅地解决问题 更快的线上serving效率：CRF解码复杂度与输入的文本长度呈线性关系 本文，首先梳理下场景，再讨论方法，欢迎大家交流。
组间嵌套：如上
样式迁移类似于手机相机中的滤镜，指的是给定内容图片和风格图片，合成一张新的图片，使得他的内容与内容图片相似，而风格却是风格图片的样子，如下例：
如下图所示，可以用一个预训练好的神经网络来实现样式迁移：
代码