当你寻找一张几年前某次野餐拍摄的照片时，你肯定不记得相机设置的文件名是“2017-07-0412.37.54.jpg”。
AI 科技评论按：日前，Facebook 提出了新型代码搜索工具——神经代码搜索（NCS），能够基于机器学习直接使用自然语言处理（NLP）和信息检索（IR）技术处理源代码文本，可大大提高代码检索效率。Facebook 在官网博客上对这项新成果进行了介绍，AI 科技评论编译如下。
NLP 领域的机器学习工程师 Riccardo Di Sipio 日前提出了一个观点：使用卷积网络要比使用循环神经网络来做 NLP 研究，要幸福得多——是时候放弃循环神经网络了！
每一个点代表一首歌。分数越接近，歌曲就越相似 流媒体服务已经改变了我们体验内容的方式。虽然推荐系统以前专注于向用户展示你可能想要购买的内容，但现在的流媒体平台必须专注于推荐你可以并想要享受的内容。由于
如果你是个Android入门开发者，去Stack Overflow论坛去寻找上非常热门的Android开发问题，很快会有别人贴出一段代码。
情感分析也称为意见挖掘，是自然语言处理（NLP）中的一个领域，它试图在文本中识别和提取意见
文章：Delving into the Devils of Bird’s-eye-view Perception: A Review, Evaluation and Recipe
卷积神经网络能够进行卷积运算，从局部输入图块中提取特征，并能够将表示模块化，同时可以高效地利用数据。这些性质让卷积神经网络在计算机视觉领域表现优异，同样也让它对序列处理特别有效。对于某些序列处理问题，这种一维卷积神经网络的效果可以媲美 RNN，而且计算代价通常要小很多，并且，对于文本分类和时间序列预测等简单任务，小型的一维卷积神经网络可以替代 RNN，而且速度更快
往计算机输入文字，是整个自然语言处理（NLP）领域的宏大故事的一部分，而 NLP 则是人工智能的重要分支研究领域。
词袋模型是一种在使用机器学习算法建模文本时表示文本数据的方式； 易于理解和实现，并且在语言建模和文档分类等问题上取得了巨大成功。
AI 科技评论按：在近些年的自然语言处理研究中，「词类比」是一个十分有趣的现象，最经典的例子莫过于「国王-男人+女人=皇后」。然而，如何将神经网路的黑盒拆开从而解释这一神奇的现象，一直都是有待探索的有趣的科学问题。近日，ACL 2019 上一篇名为「Towards Understanding Linear Word Analogies」（https://arxiv.org/abs/1810.04882）的论文对该问题进行了探究，从 csPMI 理论的角度对此进行了解释。
原文地址：https://dzone.com/articles/applying-nlp-to-decode-an-indian-classical-movie-s
Pickle模块读入任何Python对象，将它们转换成字符串，然后使用dump函数将其转储到一个文件中——这个过程叫做pickling。反之从存储的字符串文件中提取原始Python对象的过程，叫做unpickling。
此项目的成员包括Brett Amdur，Christopher Redino和Amy (Yujing) Ma。他们毕业与今年1月11日至4月1日举办的为期十二周的纽约数据科学全职训练营。这篇文章基于他们的终期项目 —— 顶点项目（Capstone Project）而完成。点击此处可见原文。 I. 概述 此项目的主要内容是应用机器学习方法来判断简历中工作技能的匹配程度。一家机构向纽约数据科学研究院的学生陈述了此项目，他们希望找到合适的学生来完成项目。本文的三个作者接受了这个项目，他们当时都是研究院的全日制学生
深度学习确实在机器学习领域，尤其是图像识别任务中重新调整了东西。2012年，Alex-net发起了一项（仍然远未结束）的竞赛，以解决或至少显着改善计算机视觉任务。虽然主要思想非常稳定（对所有事物都使用深度神经网络），但研究人员却采用了不同的方法：
从文档中获取的句子片段的嵌入可以作为该文档的提取摘要方面，并可能加速搜索，特别是当用户输入是一个句子片段时。这些片段嵌入不仅比传统的文本匹配系统产生更高质量的结果,也是问题的内在驱动的搜索方法。现代向量化表示挑战创建有效的文档嵌入,捕捉所有类型的文档,使其通过使用嵌入在文档级别进行搜索。
在过去的一年，深度学习技术在各个领域一如既往地取得了不少进展。然而当前深度学习技术（本文中称为深度学习1.0）仍然存在着一些明显的局限，例如在解决有意识任务方面的不足。那么针对这些局限性，在未来的一年，有哪些可能的解决方案？深度学习又会在哪些方面带来有希望的突破？
GPT-4的发布给ChatGPT带来了又一次飞跃，ChatGPT不仅支持文字输入，还能看得懂图片、甚至是漫画、梗图，以GPT-4为代表的多模态大模型非常强大。多模态大模型就是指模型可以处理多种结构/类型的数据，例如GPT-4，它既可以处理你输入的文本，也可以处理你上传的图片。
视频-文本检索是视觉语言理解中一项重要但具有挑战性的任务，它旨在学习一个相关的视频和文本实例相互接近的联合嵌入空间。目前的大多数工作都只是基于视频级和文本级的嵌入来衡量视频-文本的相似性。然而，忽略更细粒度或局部信息会导致表示不足的问题。有些工作通过分解句子来利用局部细节，但忽略了相应视频的分解，导致了视频-文本表示的不对称性。
本文旨在介绍/更新Transformers背后的主要思想，并介绍在计算机视觉应用中使用这些模型的最新进展。
图像到图像转化(I2I)任务旨在学习一个条件生成函数，将图像从源域转换到目标域，同时保留源域内容并迁移目标概念。
本文是论文（Visualizing and Measuring the Geometry of BERT）的系列笔记的第一部分。这篇论文由Andy Coenen、Emily Reif、Ann Yuan、Kim、Adam Pearce、Fernanda Viegas和Martin Wattenberg撰写。
T5 是一个文本到文本迁移 Transformer 模型，通过将所有任务统一视为一个输入文本并输出文本，其中任务类型作为描述符嵌入到输入中。该模型使单个模型可以执行各种各样的有监督任务，例如翻译、分类、Q＆A、摘要和回归（例如，输出介于 1 到 5 之间两个句子之间的相似性得分。实际上，这是一个 21 类分类问题，如下所述）。该模型首先在大型语料库上进行无监督的预训练（像 BERT 中一样的隐蔽目标），然后进行有监督训练，其中包含代表所有这些任务的输入文本和相关带标签的数据，也就是文本（其中输入流中的特定标记“将英语翻译为法语”或“ stsb句子1：…句子2”，“问题” /“上下文”等对任务类型进行编码，如上图所示，模型经过训练输出与标记数据匹配的文本。）通过这种为监督学习指定输入和输出的方法，该模型在所有不同的任务之间共享其损失函数、解码器等。
当我第一次看到"Ted Talk"数据集的时候，脑子里立刻冒出一些有意思的想法。首先，既然Ted Talk数据集包含了许多Ted演讲的演讲词文本，那么我们自然而然的就拥有了一个非常丰富且规范的预料库。第二，既然这个语料库有非常好的语言学属性，那么它可能是一个类似于Reuters 20 News Group这种非常优秀的数据集。所以，我们能不能利用这些演讲文本，利用它们之间的相关性，搭建一个像Ted官方网站一样的内容推荐系统呢？
【导读】本文是Oguejiofor Chibueze于1月25日发布的一篇实用向博文，详细介绍了如何将主题模型应用于法律部门。文章中，作者分析了律师在浏览大量的法律文件的时候可以通过文档摘要进行快速了
大数据文摘作品 作者：Ramzi Karam 编译：Chloe 朝夕 修竹 Aileen 上个周被网易云音乐的听歌报告刷屏，文摘菌这才发现，朋友圈不乏年度听歌成千上万的音乐重度患者。这群人可能中的不是音乐的毒，而是这套个性化音乐推荐算法真的太懂你。 这也又引起了一波对推荐算法的讨论。本文作者发现了一个有7亿多条歌曲的数据集，利用Word2vec，用这个训练集来训练机器学习模型，优化我们的音乐推荐结果。 中东和北非地区最大的音乐流媒体平台Anghami每个月产生7亿多条歌曲数据流。这也意味着所有这些流媒体产
Bags of Binary Words for Fast Place Recognition in Image Sequences
今天学习的是纽约州立大学石溪分校在 NetWork Embedding 的工作《DeepWalk Online Learning of Social Representations》，这篇文章于 2014 年发表于 ACM 会议，目前已经有 2700 多引用，是第一个将 Word2Vec 应用到 NetWork Embedding 并取得了巨大成功的方法。
这些明朝的“一句话”新闻，都是一个名叫HistSumm的AI算法，根据文言文提炼出来的摘要。
https://blog.csdn.net/u011239443/article/details/80055046 论文地址：http://u.cs.biu.ac.il/~yogo/nnlp.pdf
2002年世界杯上，法国球员齐达内到底被对手的话激怒，狠狠地拿头撞击对方胸口被逐出赛场，他的对手到底说了什么呢？——AI也许可以给出答案。
近期，麻省理工学院计算机科学与人工智能实验室的Jiang Guo等人在J Chem Inf Model杂志发表文章，介绍了一种从化学文献中提取反应的自动化方法。该方法将这类任务表述为结构预测问题，并通过一个由产物提取和反应角色标记组成的两个阶段的深度学习架构来解决。
本博客是对文本摘要的简单介绍，可以作为当前该领域的实践总结。它描述了我们（一个RaRe 孵化计划中由三名学生组成的团队）是如何在该领域中对现有算法和Python工具进行了实验。
主题模型（topic model）是以非监督学习的方式对文集的隐含语义结构（latent semantic structure）进行聚类（clustering）的统计模型。
为了能够有效地识别位置，我们需要提取表征图像的特征，之后将相同的特征分成一组，并搜索相似的图像。当然位置识别也可以应用于其他程序，例如在图像恢复我们也需要查找相似图像。
文本反垃圾是网络社区应用非常常见的任务。因为各种利益关系，网络社区通常都难以避免地会涌入大量骚扰、色情、诈骗等垃圾信息，扰乱社区秩序，伤害用户体验。这些信息往往隐晦，多变，传统规则系统如正则表达式匹配关键词难以应对。通常情况下，文本反垃圾离不开用户行为分析，本章只针对文本内容部分进行讨论。
翻译 | 刘畅 迁移学习是机器学习方法之一，它可以把为一个任务开发的模型重新用在另一个不同的任务中，并作为另一个任务模型的起点。 这在深度学习中是一种常见的方法。由于在计算机视觉和自然语言处理上，开发神经网络模型需要大量的计算和时间资源，技术跨度也比较大。所以，预训练的模型通常会被重新用作计算机视觉和自然语言处理任务的起点。 这篇文章会发现告诉你，如何使用迁移学习来加速训练过程和提高深度学习模型的性能，以及解答以下三个问题： 什么是迁移学习，以及如何使用它 深度学习中迁移学习的常见例子 在自己的预测模型
尽管生成式人工智能充满闪光和魅力，但这个新时代最大的变革可能深埋在软件堆栈中。人工智能算法在人们的视线之外，正在一次一个数据库地改变世界。他们正在颠覆那些在无尽的常规表格中跟踪世界数据的系统，用复杂、自适应且看似直观的新型人工智能功能取代它们。
在自然语言处理技术的整个发展历史中，如何把最小语义元素「单词」做数字化表示，一直都是一个研究热点。
CV（计算机视觉）领域一直是引领机器学习的弄潮儿。近年来更是因为Transformers模型的横空出世而掀起了一阵腥风血雨。小编今天就带大家初步认识一下这位初来乍到的CV当红炸子鸡～
现在的项目程序中存在着大量重复的代码片段，尤其是在软件开发的时候。在本文中，我们提出了一个工具包（KG4Py），用于在GitHub存储库中生成Python文件的知识图谱，并使用知识图谱进行语义搜索。在KG4Py中，我们删除了31.7万个Python文件中的所有重复文件，并通过使用具体语法树（CST）构建Python函数的代码知识图谱来执行这些文件的静态代码分析。我们将预先训练的模型与无监督模型集成后生成新模型，并将该新模型与代码知识图谱相结合，方便搜索具有自然语言描述的代码片段。实验结果表明，KG4Py在代码知识图谱的构建和代码片段的语义搜索方面都取得了良好的性能。
在本文中，作者重新审视了迁移学习的简单范式：首先在一个大规模标记数据集（例如JFT-300M和ImageNet-21k数据集）上进行预训练，然后对目标任务上的每个训练权重进行精调任务，减少目标任务所需的数据量和优化时间。作者们拟议的迁移学习框架是BiT（大转移），由许多组件组成，包含了大量构建有效模型的必需组件，使其能够借助于大规模数据集学习到通用的、可迁移的特征表达。
郑泽宇，现才云科技首席大数据科学家，曾任谷歌高级工程师。2013 年加入谷歌后，作为主要技术人员参与并领导多个大数据项目，拥有丰富机器学习、数据挖掘工业界及科研项目经验。2014 年，他提出将产品聚类项目用于衔接谷歌购物和谷歌知识图谱（Knowledge Graph）数据，使得知识卡片形式的广告逐步取代传统的产品列表广告，开启了谷歌购物广告在搜索页面投递的新纪元。2013年5月获得美国 Carnegie Mellon University（CMU）大学计算机硕士学位, 其间在顶级国际学术会议上发表数篇学术论
🧑个人简介：大家好，我是 shark-Gao，一个想要与大家共同进步的男人😉😉
推荐系统对于我们今天使用的几乎所有应用程序都是至关重要的。 借助大数据，我们有大量可供选择的内容。并且我们可以建系统，通过这些系统可以帮助我们筛选和确定选择的优先次序。 这些系统还给我们一种个性化的内容和服务的感觉。
领取专属 10元无门槛券
手把手带您无忧上云
