Redis持久化

• 1月5号

  • 调研KGE，
  • 准备分享
    • 内容
      • 表示学习，网络表示学习，等等
      • 学术网络表示&专利网络表示
      • patent assignemnt dataset
    • 参考
      • 自己的大小分享，其他人的分享（实验室，zhihu，paper）

• 1月6号

  • 徐教授ppt 上午搞定

  • 分享整合

    • 添加application
    • 传统, deepwalk, node2vec, line,
    • gcn, graphsage, gat r-gcn,
    • metapath2vec, han

  • 助教工作准备：

    • 改第三次作业，准备第三次作业答案，挑几个错误
    • 等作业四都交上来了，改一下作业4

• 1月7日

  • NE 内容整理，准备自己的内容
    • gcn一页公式，貌似论文不是这个
    • 看看这几个方法怎么讲
    • 加了自己的东西

• 1月8号

  • 批改作业3，找常见问题，准备答案
  • 早点回去，休息

• 1月11号

  • 看EMLO，transformer，张俊林blog
  • 趣谈网络协议,,,, 未完成❎

• 1月12日

  • get_batch, 部署上线
  • 出题，调研KG

• 1月13日

  • 分享准备，
  • 信息抽取：
    • NER： 命名实体识别：找到实体，标注类型；人名，地名，组织名等 ，实体链接？
    • RE：关系抽取：
  • Java

• 1月14日

  • 知识图谱，概念与技术，
  • CRF
  • 远程监督，弱监督，
  • 自监督，self-supervised
  • 实体链接
  • 组会，分享

• 1月15日

  • Trans系列

• 1月18日

  • RotateE
  • 构建awesome KGE
    • 人工智能之认知图谱 -AMiner ： https://static.aminer.cn/misc/pdf/CognitiveGraph.pdf
      • 关于KGE有相对系统性的介绍
    • OpenKE
      • project: http://nlp.csai.tsinghua.edu.cn/project/openke
      • github: https://github.com/thunlp/OpenKE
      • 优缺点？
    • 知识图谱表示学习必读论文列表： https://github.com/thunlp/KRLPapers

  * 待看：  
       * KG bert https://zhuanlan.zhihu.com/p/91052495  
       * ccks19评测论文集： https://conference.bj.bcebos.com/ccks2019/eval/webpage/index.html
       * 东南大学《知识图谱》课程： https://github.com/npubird/KnowledgeGraphCourse
       * QA survey： https://github.com/BDBC-KG-NLP/QA-Survey

• 1月20日

  • Hotpot，QA， Open-Domain QA
  • 斯坦福必学新课CS520-知识图谱- https://web.stanford.edu/class/cs520/
  • transformer
  • AutoKGE？ AutoSF
    • 与AutoNE 区别？

• 1月21日

  • R-GCN
  • 知识图谱落地应用？
  • KGE的实际应用价值？
  • Bert多标签分类，专知
  • textGCN

• 1月22日

  • Scaled Dot-Product Attention
  • 知识蒸馏
  • Atrous Convolution

• 1月25日

  • 选题问题，思考，数据分析

• 1月26日

  • 调研，先做一个Technology Flow Forecast
  • 调研模型 1. TF，FM，推荐这块；2.Graph这块，dynamic，3. 知识图谱

• 1月27日

  • java basics

• 1月28日

  • 课程实验平台
  • java , lc

• 1月29日

  • ？？？

• 2月1日

  • java continue
    • 高并发 & Spring & JVM
  • 作业四regression & checking
  • WWWJ 修改 重要性高🌟
    • BERT实验 添加 重跑一遍
    • 相关工作，
    • 添加引用，
    • align 添加描述
    • 图片图例改一下，Pi*改一下，其他的公式描述错误从头到尾查一下，改一下
    • 最近新的理解，新的思考加进去，哦了
  • 专利修改 attention Pi* 等等，看着改改

• 2月2日

  • 跑bert
  • 配置，，，心累jojo

• 2月3日

  • 改专利
  • 改论文
  • 跑bert

• 2月4日

  • IJCNN 修改
  • WWWJ

list of responses

1. The description of related work is not sufficient enough, since some state-of-the-art methods are ignored in this paper, e.g., [1][2].
   我们扩充并重新组织了对相关工作的阐述 ，
   2. 发

bullshit论文生成器

Patent Assignment

根据
两步走，首先预测公司间技术的流动。【粗粒度，考虑技术层级】
接下来对公司进行专利推荐。【细粒度，考虑单个专利级别】。

Enterprise Technical Analysis via Patent Transfer Network Representation
Enterprise Technical Analysis via Domain-specific Knowledge Graph Representation
Deep Technology Flow Forecast via trend-aware Tensor Factorization.
Deep Technology Flow Tracing.
Large-scale Technology Flow Forecast via xxx.
Deep Technology Tracing for Enterprises via Temporal Technical Graph.
Enterprise Competetion Analysis via Heterogenious Patent Graph Network

Dynamic Technology Flow Forecast via xxxx yyyy Tensor Factorization
一定搞成时序的。
基于图表示学习的专利分析研究
基于异构信息网络/专利信息网络
基于知识图谱

公司间技术流动预测，公司未来技术分布预测等等。
专利推荐，交易伙伴推荐
研发趋势和规律，从而为创新指路。
预测转让的：公司，技术，专利

• 专利

A Predictive Model of Technology Transfer Using Patent Analysis
Predicting Patent Transactions Using Patent-Based Machine Learning Techniques

什么是信息抽取

从一段文本中抽取特定的事实，事件等信息，形成结构化的数据；
传统的信息检索实际上是文档检索，其结果是文档的集合。
抽取： 实体，属性，关系，事件；
NER方法：规则，统计；NER工具；
实体对齐，实体链接，

认知图谱：

GCN

二维数据，CNN.
序列型数据，RNN.
无法在图数据上应用,
Q : GCN公式来源，邻接矩阵*隐层 *参数 转为 DADHW ，why?

Q: GCN为什么有效？特征提取器

Conventional knowledge graph (KG) embedding methods mainly assume the KGs are static. However, in real-world application scenarios, out-of-knowledge-graph (OOKG) entities are always inevitable. Existing efforts modeling OOKG entities without retraining the whole KG either utilize additional resources, e.g., entity descriptions, or simply aggregate in-knowledge-graph (IKG) neighbors to embed OOKG entities. High-quality additional resources are usually hard to obtain and methods that aggregate IKG neighbors may fail to model OOKG entities with few IKG neighbors. To this end, we propose to solve the sparse IKG neighbor problem by utilizing ontological concepts which provide a general view of its instance entities and usually remain unchanged in KG. In this paper, we develop a novel analytic framework to embed OOKG entities inductively based on their ontological concepts. Specifically, we first adopt the transformer encoder to model the complex contextual structure of ontological concepts. Then, we further develop a template refinement strategy for generating the target entity embedding, where the concept embedding is used to provide a basic outline of the target entity and the individual characteristics will be enriched through IKG neighbors. Finally, extensive experiments on public datasets demonstrate the effectiveness of our proposed model compared with state-of-the-art baseline methods.

CNN

Q：为什么padding？
Q：什么是channel？

远期目标

• 专利转让任务
  • 和徐教授？ 问问论文情况
• 实习要做一点东西
• Java，interview
• 开题报告写好
• 论文修改，bert

---

转载请注明来源，欢迎对文章中的引用来源进行考证，欢迎指出任何有错误或不够清晰的表达。可以在下面评论区评论，也可以邮件至 rat_racer@qq.com