1.问题新版webofscience于2021年7月7日上线，旧版WebofScience将同步运行到2021年底。现在旧版webofscience入口早已关闭，新本webofscience的残产品中也不在提供旧页面入口。近来在使用webofscience文献制作CiteSpace图谱时发现，webofscience导出的文献数据在CiteSpace跑的时候都会出现“thetimingslicingsettingisoutsidetherangeofyourdata”的报错提示，如下图翻译报错：时间切片设置超出了您的数据范围。确保您的数据文件具有正确的格式并且位于正确的文件夹中。然后重试。看了
1.问题新版webofscience于2021年7月7日上线，旧版WebofScience将同步运行到2021年底。现在旧版webofscience入口早已关闭，新本webofscience的残产品中也不在提供旧页面入口。近来在使用webofscience文献制作CiteSpace图谱时发现，webofscience导出的文献数据在CiteSpace跑的时候都会出现“thetimingslicingsettingisoutsidetherangeofyourdata”的报错提示，如下图翻译报错：时间切片设置超出了您的数据范围。确保您的数据文件具有正确的格式并且位于正确的文件夹中。然后重试。看了
论文地址：https://arxiv.org/abs/2112.08088代码地址：https://github.com/wenyyu/Image-Adaptive-YOLO本文主要针对恶劣天气下的目标检测。动机：虽然目前的目标检测器都取得了不错的成绩，但是这写检测器大多都是在清晰图像上进行训练和评估的。而在现实世界中，图像并不总是清晰的，比如在自动驾驶领域肯定会遇到有雾或者低光照的场景。在这样的场景下如果采用之前的目标检测算法，结果可能不尽人意。创新点：针对以上问题，本文提出了（1）一个图像处理模块用于图像增强.（2）采用混合训练的方法对模型进行训练。 从上图中可以看到，论文提出的模
论文地址：https://arxiv.org/abs/2112.08088代码地址：https://github.com/wenyyu/Image-Adaptive-YOLO本文主要针对恶劣天气下的目标检测。动机：虽然目前的目标检测器都取得了不错的成绩，但是这写检测器大多都是在清晰图像上进行训练和评估的。而在现实世界中，图像并不总是清晰的，比如在自动驾驶领域肯定会遇到有雾或者低光照的场景。在这样的场景下如果采用之前的目标检测算法，结果可能不尽人意。创新点：针对以上问题，本文提出了（1）一个图像处理模块用于图像增强.（2）采用混合训练的方法对模型进行训练。 从上图中可以看到，论文提出的模
论文链接：https://aclanthology.org/D19-5008.pdf目录摘要引言1.1谣言检测1.2问题陈述1.3用户立场2数据集和评估指标2.1数据集2.2评价指标 3特点和方法 3.1使用内容信息的方法3.2利用用户信息的方法3.3基于传播路径和网络的方法3.4用户立场和谣言检测的联合学习3.5谣言辨别比赛4未来研究方向4.1知识库4.2用户响应的目标4.3跨域、跨语言4.4解释性检测4.5将用户立场和用户可信度整合在一起4.6利用外部文本信息4.7多任务学习4.8谣言早期发现4.9一个真实谣言检测系统的框架摘要 社交媒体平台已用于信息和新闻收集，它们在许多应
论文链接：https://aclanthology.org/D19-5008.pdf目录摘要引言1.1谣言检测1.2问题陈述1.3用户立场2数据集和评估指标2.1数据集2.2评价指标 3特点和方法 3.1使用内容信息的方法3.2利用用户信息的方法3.3基于传播路径和网络的方法3.4用户立场和谣言检测的联合学习3.5谣言辨别比赛4未来研究方向4.1知识库4.2用户响应的目标4.3跨域、跨语言4.4解释性检测4.5将用户立场和用户可信度整合在一起4.6利用外部文本信息4.7多任务学习4.8谣言早期发现4.9一个真实谣言检测系统的框架摘要 社交媒体平台已用于信息和新闻收集，它们在许多应
总结将NER视作是word-word间的RelationClassification。这个word-word间的工作就很像是TPlinker那个工作，那篇工作是使用token间的link。推荐指数：★★★☆☆值得学习的点：（1）用关系抽取的方法做NER抽取（2）用空洞卷积解决词间交互问题（3）CLN（conditionalLayerNorma）的使用1.动机统一三类任务（flat、overlapped、nestedNER）的处理span-based的方法只关注边界识别。sequence-to-sequence的模型有暴露偏差的影响2.想法建模实体词间的简单邻接关系（用NNW,THW-*）mul
总结将NER视作是word-word间的RelationClassification。这个word-word间的工作就很像是TPlinker那个工作，那篇工作是使用token间的link。推荐指数：★★★☆☆值得学习的点：（1）用关系抽取的方法做NER抽取（2）用空洞卷积解决词间交互问题（3）CLN（conditionalLayerNorma）的使用1.动机统一三类任务（flat、overlapped、nestedNER）的处理span-based的方法只关注边界识别。sequence-to-sequence的模型有暴露偏差的影响2.想法建模实体词间的简单邻接关系（用NNW,THW-*）mul
文章目录前言一、语言基础1、「光天化日学C语言」二、刷题必读1、「LeetCode零基础指南」2、「九日集训每日打卡」三、语言入门1、「C语言入门100例」2、「C语言每日打卡」四、算法入门1、「算法零基础100讲」2、「算法零基础每日打卡」五、算法进阶1、「画解数据结构」2、「算法进阶50讲」3、「LeetCode算法题集汇总」4、「夜深人静写算法」六、社区活动1、「结对编程排位赛」2、「明年今日」3、「三年之约」4、「英雄算法联盟合伙人」七、配套赠送福利前言 很多人看到我的博客，太多专栏不知道从何学起，为了广大人民群众的根本利益，我决定写一个阅读指引，按照这个指引进行学习，多加练习，假以
文章目录前言一、语言基础1、「光天化日学C语言」二、刷题必读1、「LeetCode零基础指南」2、「九日集训每日打卡」三、语言入门1、「C语言入门100例」2、「C语言每日打卡」四、算法入门1、「算法零基础100讲」2、「算法零基础每日打卡」五、算法进阶1、「画解数据结构」2、「算法进阶50讲」3、「LeetCode算法题集汇总」4、「夜深人静写算法」六、社区活动1、「结对编程排位赛」2、「明年今日」3、「三年之约」4、「英雄算法联盟合伙人」七、配套赠送福利前言 很多人看到我的博客，太多专栏不知道从何学起，为了广大人民群众的根本利益，我决定写一个阅读指引，按照这个指引进行学习，多加练习，假以
