1 问题及数据集1.1 问题本论文主要解决一种面向Cloze-style（填空式）的阅读理解（问答）问题 1.2 数据集（1）CNN&Daily Mail（2）SQuAD（3）Graph Reachability datase

这篇论文来源于EMNLP2018，论文地址，这次采用了思维导图的方式记录笔记，思维导图的缩略图如下： 该思维导图较大，于是上传时进行了压缩，可以直接点击思维导图地址进行交互式的访问或下载，思维导图地址，备用思维导图地址 效果图：

1 问题及数据集1.1 问题给定较长一段话的context和一个较短的问题，以及一些candidate answers，训练出可以准确预测正确答案的模型，本模型主要针对命名实体和常用名词这两种词性的单词进行填空。 1.2数据集（1）CNN&

0 Abstract最近的许多论文都涉及到阅读理解，他们一般都包括（问题，段落，答案）元组。或许，一个模型必须综合问题和段落两者的信息来预测相应的答案。然而，尽管人们对这个话题产生了浓厚的兴趣，数百篇已发表的论文争夺排行榜的主导地位，但关于

一个混沌神经元的输出与①每一个外部输入在每一个离散时刻的状态，②其他每一个混沌神经元在每一个时刻的状态，以及③该混沌神经元在每一个离散时刻的状态（主要为不应性情况）和④预设的阈值有关。由于该博客公式显示问题，请移步CSDN博文一种最原始的混

常见的文本分类中，二分类问题居多，多分类问题其实也挺常见的，这里简单给出一个多分类的实验demo。 1 引入相应的库# 引入必要的库 import numpy as np import matplotlib.pyplot as plt fr