学习工作记录三

Posted 2021-01-11 cafe3165

学习工作记录

这是第五周，国庆放假。前三天应我哥的要求回了老家，后四天便回学校学习去了。主要是看了一篇论文，又重温了一下项目的代码，还有就是给另一个项目打包ipa文件上架，由于对苹果证书内容的不熟悉，所以耽误了三天。。。

一 、 文献阅读

1.《知识表示学习研究进展》 刘知远

这篇文章主要是介绍了知识库领域的一些算法。内容比较丰富，重点研究了TransE及其改进算法。但是由于TransE在解决复杂关系建模问题上，处理的不好，比如：

假如知识库中有２个三元组，分别是（美国，总统，奥巴马）和（美国，总统，布什）．这里的关系“总统”是典型的１－Ｎ的复杂关系．如果用TransE从这２个三元组学习知识表示，将会使奥巴马和布什的向量变得相同．

故为了解决这个问题，文章介绍了7种改进模型。

• 1.TransH模型(Knowledge graph embedding by translating on hyperplanes)
• 2.TransR/CTransR模型(Learning entity and relation embeddings for knowledge graph completion)
• 3.TransD模型(Knowledge Graph Embedding via Dynamic Mapping Matrix)
• 4.TranSparse模型(Knowledge graph completion with adaptive sparse transfer matrix)
• 5.TransA模型(TransA: An Adaptive Approach for Knowledge Graph Embedding)
• 6.TransG模型(TransG : A Generative Mixture Model for Knowledge Graph Embedding)
• 7.KG2E模型(Learning to Represent Knowledge Graphs with Gaussian Embedding)

另外，文章还讲了多源信息融合的实现——它是知识表示学习的另一个重要内容。因为目前的知识学习模型TransE 及其改进算法，无法有效地利用其它与知识有关的内容。尽管有关多源信息融合的研究比较多，但是与知识学习相结合的研究还是比较少的。

在文章最后，作者指出了知识表示学习的研究方向。主要提出了3个方面：

(1).面向不同知识类型的知识表示学习

(2).多源信息融合的知识表示学习

(3).考虑复杂推理模式的知识表示学习

其中3)是基于关系路径的推理学习，个人觉得还是比较有意思的。可以将知识库中部分相关的内容，通过某种推理加强它们的联系。

例如，根据三元组（康熙，父亲，雍正）和（雍正，父亲，乾隆）构成的“康熙”和“乾隆”之间“父亲＋父亲”的关系路径，再结合三元组（康熙，祖父，乾隆），PTransE实际上额外提供了“父亲＋父亲＝祖父”的推理模式，从而提升知识表示的精确性．

还有文章最后提出了“面向大规模知识库的在线学习和快速学习”，也是比较有意思.

2.《中文社交媒体谣言统计语义分析》 刘知远

又是刘知远的文章，因为在知乎常看到他的大名，所以就去百度学术搜索了几篇来看一下他的研究方向。

文章主要是先介绍了谣言的种类以及传播特点。

然后提出面向社交媒体的自动辟谣框架。其中，在判断微博内容是否为谣言的时候，该文章提出了基于贝叶斯概率的可疑文章的概率计算公式：

最后，提出框架 ：

3.一些概念的学习：张量、高斯混合

(1)张量(tensor):下面给两篇介绍比较清楚的文章：

1.通俗易懂说“张量”

2.怎么通俗地理解张量?

文章中提到的Dan Fleisch介绍张量的视频，我听不懂。。。（菜），但是看文章1中的介绍，还是比较清楚的。特别是将张量具体成我们学过的三维空间，进而推广到n维空间这个过程。

一阶（1*3矩阵）：

二阶（3*3矩阵）：

三阶：

可以看作一个立方体

四阶：

五阶：

六阶：

What‘s a Tensor? 有空的时候翻译一下，^_^

(2).高斯混合(GMM，Gaussian mixture model)

从前学数据挖掘的时候，学过聚类分析，高斯混合模型是其中的一种，但是并没有教，当时主要教的K-means等。那么什么是GMM呢？

给两篇写得比较清楚的文章：

1.一文详解高斯混合模型原理

2.高斯混合模型（GMM）及其EM算法的理解

简单来说，对于一些聚类，可以使用多个独立的高斯分布模型，进行线性组合。利用如下公式：

分布概率是K个高斯分布的和，每个高斯分布有属于自己的μ和σ参数，以及对应的权重参数，权重值必须为正数，所有权重的和必须等于1，以确保公式给出数值是合理的概率密度值。换句话说如果我们把该公式对应的输入空间合并起来，结果将等于1。

权值和为1故称为线性组合。

如果只使用一个二维高斯分布来描绘，显然不够准确，我们可以很明显得看到下方数据可以聚成另一个类。

所以我们采用两个高斯分布组合成一个高斯混合模型，这样能更准确地刻画数据分布。

二 、 基于知识图谱的智能家居项目进展

本周主要是将该项目所有代码都看过一遍了，明确了该项目目前的不足，以及项目的完成度。

接下来的任务，等和学姐导师讨论完再决定吧。

需要尽快熟悉spring框架，感觉因为neo4j而使用spring 框架很奇怪。

三 、 下周工作内容

• 论文3篇
• 环境配置+运行+找导师讨论
• 牛客 PAT 3题（做满20题牛客给50元PAT抵用券嘻嘻嘻嘻）
• 检索课程的实验报告，第七周交中期报告，第八周交最终版
• 组合数学第二章（都没看，感觉丢人）

四 、 工作心得

1.国庆玩耍

虽然国庆只回去了3天，但还是在最后一天去了景点——壶公山。每次坐车去市区都会经过，但是都没有登上去过，这次直接开车上山~并在山上发现了一个很神奇的东西：

哈哈哈哈，我竟然捐了十万。。。唉，我要是真有十万就好了。。。

不过风景还是不错的~~~

2.苹果p12推送证书问题

在APICloud平台上云编译打包ipa文件的时候，忘记了苹果的推送证书是放在服务器上……

傻乎乎拿去打包ipa文件，编译了40个版本[捂脸]。一开始以为Mac的CA有问题导致签名证书无法识别，然后改用Windows用OpenSSL自签名产生证书，发现还是不行。问遍论坛和stackoverflow，都没发现问题（可能是太弱智了吧），最后还是靠au大佬提了醒。白花了一百多买他的打包软件了，买了个苹果开发者账号还花了我99刀

所以苹果三种证书的区别如下，另外，我专门写了一篇关于苹果证书的博客：

关于打包ipa文件以及苹果证书的若干问题