啦啦啦，终于快写完了，虽然我也知道并没有写什么实质性的东西，至少我坚持下来啦，后面再慢慢多拧拧，少一些水分。 在上一篇中，主要介绍了如何从接收到的用户问题中抽取关键信息，以及如何识别用户的意图，那么接下来就将介绍在得到了这些信息后，如何

论文搜索： semantic scholar or 谷歌学术 or 谷歌学术搜索按钮插件 NLP论文list: ACL Anthology 第一个国内都可以访问，后面的需要访问国外，如果学校图书馆可以上谷歌学术的话，可以直接使用

平时除了看论文还是看论文，感觉有点无聊，于是嘛就想着搞点东西来玩玩，然后就搞了一个非常简单的基于知识图谱的电影问答系统。系统是用python实现的，大概只花了1天吧，代码也仅有300多行，可以说是很容易上手了。然后在这里也简单的记录下整个

Beam search 算法在文本生成中用得比较多，用于选择较优的结果（可能并不是最优的）。接下来将以seq2seq机器翻译为例来说明这个Beam search的算法思想。在机器翻译中，beam search算法在测试的时候用的，因为在训练

本文主要介绍GA reader模型的基本思想，由论文《Gated-Attention Readers for Text Comprehension》提出，论文直通车 1 论文概述本篇论文的思想其实是很简单的，可以把其看成是AS reader

本文主要介绍AoA reader 的模型结构，由论文《Attention-over-Attention Neural Networks for Reading Comprehension》提出，论文直通车 1 论文概述该论文针对机器阅读理解

（1）论文创新点 这个模型的文章和问题在真正使用时，都是根据前一时刻的隐层状态，动态的表示成一个向量； 在更新状态时，使用了gated机制(虽然看起来有点复杂)。 （2）论文模型模型的整体结构图如下所示：接下来将对该模型上的组成部分做简单

给出结论便于查询，具体分析过程见聊一聊PyTorch中LSTM的输出格式 output保存了最后一层，每个time step的输出h，如果是双向LSTM，每个time step的输出h = [h正向, h逆向](同一个time step的

为了保存资料，于是上传至博客。 Must-read papers on GNNGNN: graph neural network Contributed by Jie Zhou, Ganqu Cui and Zhengyan Zhang.

这个模型也就是前面提到的动态记忆，这篇论文来自ICLR2017，论文比笔记还是参考了北邮的两位大佬的博客，后面给出了原博客地址。论文提出了一种新的动态记忆网络，使用固定长度的记忆单元来存储世界上的实体，每个记忆单元对应一个实体，主要存储该实

上个月看了Facebook的记忆网络系列，前面的两篇论文的笔记看完就整理了，后面这几篇就耽误了，最近又看了一遍，于是及时整理，不然又忘了。这篇文章主要参考北邮的两位大佬（北邮张博、知乎-呜呜哈）的文章，这两个大佬是真的厉害Orz，他们的文章

本文主要做出了两个大的贡献： 给出了阅读理解数据集的构造方法，并开源了两个阅读理解数据集； 提出了三种神经网络模型作为baseline，以方便后面的研究者进行相关的研究。 1 数据构造主要是从新闻网站中抓取新闻作为文章，新闻的摘要去掉一