#笔记/markdown 1 希腊字母 字母 LaTex 字母 LaTex \(\alpha\) \(\xi\) \(\beta\) \(\pi\) \(\gamma\) \(\rho\) \(\delta\) \(\sigma\) \(\epsilon\) \(\tau\) \(\zeta\) \(\upsilon\) \(\eta\) \(\phi\) \(\theta\) \(\chi\) \(\iota\) \(\psi\) \(\kappa\) \(\omega\) \(\lambda\) \(\nu\) \(\mu\) \(\Gamma\) \(\Sigma\) \(\Delta\) \(\Upsilon\) \(\Theta\) \(\Phi\) \(\Lambda\) \(\Psi\) \(\Xi\) \(\Omega\) \(\Pi\) 2 常用符号 2.1 关系表达式 符号 LaTex ...

#笔记/markdown 1 标题跳转 1.1 页内跳转 1[[#本页标题名]] 1.2 页间跳转 1[[文档名#标题名]] 1.3 跳转时显示特定文本 1[显示的内容](#标题标号-标题文本) 1.4 注意 () 小括号内部声明跳转目标标题，以 # 开头 (无论几级标题，都只要一个井号)，标题题号如果包含 .、 下划线直接忽略掉，标题文本中如果有空格，使用 - 横杠符号替代，标题文本中的大写字母转换成小写。 2 块跳转 Obsidian 支持块跳转功能，Help 中有详细说明，简要概括如下： 使用^号定义块 1正文 ^dcf64c 跳转 1[[#^dcf64c]] 在文档中嵌入块内容 1![[#^dcf64c]] 形如: Pasted image 20220102231907.png 3 脚注 调用脚注写法： 1点击跳到脚注 [^aa] 脚注本身写法： 1[^aa]:我是脚注本身（点击右测可返回调用处） 4 参考 # Markdown实用语法之实现页面内跳转

读后感 针对问题：学习图中节点的表征，解决多分类、异常检测等问题。通过优化算法，可应用于大规模数据。 结果：当标签数据稀疏时，F1 分数比之前方法提升 10%；在一些实验中，使用 60% 训练数据，结果即可优于其它方法。 核心方法：借鉴自然语言处理方法，利用统计原理，使用无监督数据学习。 难点：优化部分较难理解。 泛读后理解程度：直接精读。 （看完题目、摘要、结论、图表及小标题） 介绍 英文题目：DeepWalk: Online Learning of Social Representations 中文题目：DeepWalk：关系表征的在线学习 论文地址：http://perozzi.net/publications/14_kdd_deepwalk.pdf 领域：知识图谱 发表时间：2014 出处：KDD 被引量：5094 代码和数据：https://github.com/phanein/deepwalk/ 阅读时间：2022.3.28 精读 1. 介绍 Pasted image 20220328211733.png 编码的目标是使用相对较低的维度表征数据，如图以 2 维为例 ...

123456789101112131415161718192021222324252627282930313233343536373839import ctypesimport inspectimport timefrom threading import Threaddef _async_raise(tid, exctype): tid = ctypes.c_long(tid) if not inspect.isclass(exctype): exctype = type(exctype) res = ctypes.pythonapi.PyThreadState_SetAsyncExc(tid, ctypes.py_object(exctype)) if res == 0: raise ValueError("invalid thread id") elif res != 1: ctypes.pythonapi.PyThreadState_SetAsyncExc(tid, None) ...

读后感 针对问题：利用当前的知识库 (KB)，回答用自然语言提出的问题。 目标：一方面开发用于评价约束性问答的数据集；另一方面开发针对约束性问答的解决方法。 结果：产出评测数据集；提出的多约束查询图算法提升了对复杂问题的解答能力。 核心方法： 复杂问题的分类和处理机制，抽象出六种约束类型，以及对应各类问题的解决方法。 方法 找到问题相关实体节点 找到满足约束的所有路径 将与问题语义相似度最高的作为答案 难点：整个过程中约束到底如何产生作用。 泛读后理解程度：直接精读 （看完题目、摘要、结论、图表及小标题） 介绍 英文题目：Constraint-Based Question Answering with Knowledge Graph 中文题目：基于知识图谱的约束性问答 论文地址：https://readpaper.com/paper/2572289264 领域：图神经网络、问答系统 发表时间：2016 出处：acl 被引量：142 代码和数据：https://github.com/JunweiBao/MulCQA/tree/ComplexQuestions 阅读时间：202 ...

1 目标 Obsidian 文档可以本地存储，文档主要由 markdown 和图片组成。markdown 是纯文本，格式简单占空间也小，在存储和分享的过程中，插在文档中的图片就比较麻烦。所以希望把文本和图片分开存储，并且能简单快速地分享给别人，比如发布博客时，不用一张一张贴图。 图床是一个比较简单的解决方案，它是一种在线图片存储服务，可以用来上传、存储、管理和分享图片。通常，图床会提供图片的 URL 地址，可以在网页、博客、社交媒体等平台中使用。一般使用腾讯云、阿里云的存储服务实现，也可以使用 Github，Gitee 代码托管服务实现。主要看图多不多，访问量大不大。 本文将介绍在 Ubuntu 系统下，用 Obsidian+PicGo+Gitee 的方式做个免费图床，适用于图片不多，访问量不大的场景，同时讨论了扩展性。 2 原理 2.1 Obsidian 离线的文档管理工具，可以通过 Obsidian QuickShare, Obsidian to Notion 等插件进行网页共享，个人觉得通过图床，把文档和图片分开更加方便。 2.2 PicGo PicGo 是一款用于上传、管理和分 ...

介绍 英文题目：Semi-Supervised Classification with Graph Convolutional Networks 中文题目：使用卷积图神经网络实现半监督分类器 论文地址：https://arxiv.org/abs/1609.02907 领域：自然语言处理，知识图谱，图神经网络 上传时间：2016 出处：ICLR 2017 被引量：10671 代码和数据： https://github.com/tkipf/gcn https://github.com/kaize0409/pygcn/ 阅读时间：22-03-11 泛读 针对问题：图节点多分类，半监督学习 结果：在知识图和引文图数据集中，有效提升了精度和效率 核心方法：基于频谱图，卷积神经网络，编码时考虑到图结构和节点的特征 难点：几乎全是公式推导，先验知识太多，单看公式看不懂 泛读后理解程度：30% （看完题目、摘要、结论、图表及小标题） 精读 摘要 论文提出了基于图的，使用类似卷积神经网络的半监督学习方法。选择卷积结构让我们在建模时更注重邻近的节点。模型隐藏层编码同时考虑了局部结构和节点特征。相较 ...

#笔记/Obsidian 1 安卓版 下载地址 https://www.05sun.com/downinfo/380645.html 特点 和电脑版用法几乎完全一致 也可以更换皮肤 2 Linux 版 在官网可下载较新版本，看着和 Windows 版完全一样，对习惯用 Linux 的人来说，绝对是福音 2.1 方法一：建议下载 deb 安装包 安装后可执行文件位置在/opt/Obsidian/obsidian，需要向 bin 下做个链接 2.2 方法二：直接安装应用程序 下载 AppImage（Linux 下推荐安装） 将其权限设置为可执行，复制到想要安装的目录 1234$ sudo mkdir /opt/obsidian$ sudo mv ~/Downloads/Obsidian-0.12.19.AppImage /opt/obsidian/Obsidian-0.12.19.AppImage$ chmod 777 /opt/obsidian/Obsidian-0.12.19.AppImage$ sudo ln -s /opt/obsidian/Obsidian-0.12. ...

Python 日志工具 loguru 错误级别 level name Severity value Logger method TRACE 5 logger.trace() DEBUG 10 logger.debug() INFO 20 logger.info() SUCCESS 25 logger.success() WARNING 30 logger.warning() ERROR 40 logger.error() CRITICAL 50 logger.critical() 代码 12345678910from loguru import logger# 设置输出级别, 只显示 INFO 及以上级别logger.remove()handler_id = logger.add(sys.stderr, level="INFO")# 日志输出logger.debug("xxxxx")logger.info("xxxxx")logger.warning("xxxxx" ...

介绍 英文题目：Reasoning on Knowledge Graphs with Debate Dynamics（R2D2） 中文题目：基于动态辩论的知识图推理 论文地址：https://arxiv.org/pdf/2001.00461.pdf 领域：图神经网络, 知识推理 发表时间：2020 出处：AAAI 2020 被引量：6 代码和数据：https://github.com/m-hildebrandt/R2D2 读后感 针对问题：基于图的自动知识推理 目标：提升对真命题和伪命题的识别，提升可解释性 结果：对于分类和链接预测任务均有良好表现，且实现了一些归因。 核心方法： 利用动态辩论的强化学习算法。 这是一个相对白盒的方法 采用两个 agent 的对抗，一个找真命题相关路径，一个找假命题相关路径，使用知识图中的路径作为参数生成特征，最终由判别器做出判断推理的真伪。 具体模型：深度学习模型，两个 Agent 使用 LSTM，判断使用 MLP 难点：对抗学习应用于图论和知识推理。 泛读后理解程度：60% （看完题目、摘要、结论、图表及小标题） 精读 （只翻译了实现部分） ...