关于机器学习:NLP知识图谱项目合集信息抽取文本分类图神经网络性能优化等

这段时间实现了很多大大小小的小我的项目，当初做一个整体演绎不便学习和珍藏，有利于继续学习。

1.PaddleNLP 之 UIE 技术科普【一】实例：实体辨认、情感剖析、智能问答
https://aistudio.baidu.com/aistudio/projectdetail/4180615?contributionType=1
NLP 畛域工作抉择适合预训练模型以及适合的计划【标准倡议】【ERNIE 模型首选】
https://aistudio.baidu.com/aistudio/projectdetail/4888188?contributionType=1
Paddlenlp 之 UIE 模型实战实体抽取工作【打车数据、快递单】
https://aistudio.baidu.com/aistudio/projectdetail/4321385?contributionType=1
快递单信息抽取【二】基于 ERNIE1.0 预训练模型
https://aistudio.baidu.com/aistudio/projectdetail/4157455?contributionType=1
快递单信息抽取[三]:Ernie 1.0 至 ErnieGram + CRF 改良算法
https://aistudio.baidu.com/aistudio/projectdetail/4159638?contributionType=1
UIE 之快递单信息抽取【四】– 小样本标注数据进步准确率
https://aistudio.baidu.com/aistudio/projectdetail/4160432?contributionType=1
Paddlenlp 之 UIE 关系抽取模型【高管关系抽取为例】
https://aistudio.baidu.com/aistudio/projectdetail/4371345?contributionType=1
文档级关系抽取模型：基于构造先验产生注意力偏差 SSAN 模型
https://aistudio.baidu.com/aistudio/projectdetail/4666541?contributionType=1
基线晋升至 96.45%：2022 司法杯犯罪事实实体辨认 + 数据蒸馏 + 被动学习
https://aistudio.baidu.com/aistudio/projectdetail/4911042?contributionType=1
[信息抽取]基于 ERNIE3.0 的多对多信息抽取算法：属性关系抽取
https://aistudio.baidu.com/aistudio/projectdetail/5143572?contributionType=1
基于 ERNIELayout&PDFplumber-UIEX 多计划学术论文信息抽取
https://aistudio.baidu.com/aistudio/projectdetail/5196032?contributionType=1

利用实际：分类模型大集成者[PaddleHub、Finetune、prompt]
https://aistudio.baidu.com/aistudio/projectdetail/4357474?contributionType=1
小样本学习分类工作：在文心 ERNIE3.0 利用（提醒学习），提速提效快用起来！
https://aistudio.baidu.com/aistudio/projectdetail/4438610?contributionType=1
2022 CCF 大数据与计算智能大赛：小样本数据分类工作 baseline
https://aistudio.baidu.com/aistudio/projectdetail/4479243?contributionType=1
Paddlenlp 之 UIE 分类模型【以情感偏向剖析新闻分类为例】含智能标注计划）
https://aistudio.baidu.com/aistudio/projectdetail/4337189?contributionType=1
基于 ERNIR3.0 文本分类：(KUAKE-QIC)用意辨认多分类(单标签)
https://aistudio.baidu.com/aistudio/projectdetail/4362154?contributionType=1
基于 Ernie-3.0 CAIL2019 法研杯因素辨认多标签分类工作
https://aistudio.baidu.com/aistudio/projectdetail/4280922?contributionType=1
基于 ERNIR3.0 文本分类：CAIL2018-SMALL 罪名预测为例(多标签)
https://aistudio.baidu.com/aistudio/projectdetail/4374631?contributionType=1
基于 ERNIR3.0 文本分类：WOS 数据集为例（档次分类）
https://aistudio.baidu.com/aistudio/projectdetail/4382251?contributionType=1

在数据加强、蒸馏剪枝下 ERNIE3.0 模型性能晋升具体计划
https://aistudio.baidu.com/aistudio/projectdetail/4436131?contributionType=1
Paddle 模型性能剖析工具 Profiler：定位瓶颈点、优化程序、晋升性能
https://aistudio.baidu.com/aistudio/projectdetail/4482932?contributionType=1
可视化剖析工具 VisualDL 2.4 强势来袭！新增：动态图模型可视化和性能剖析
https://aistudio.baidu.com/aistudio/projectdetail/4561034?contributionType=1
推广 TrustAI 可信剖析：通过晋升数据品质来加强在 ERNIE 模型下性能
https://aistudio.baidu.com/aistudio/projectdetail/4622139?contributionType=1
AiTrust 下预训练和小样本学习在中文医疗信息处理挑战榜 CBLUE 体现
https://aistudio.baidu.com/aistudio/projectdetail/4592515?contributionType=1
UIE Slim 满足工业利用场景，解决推理部署耗时问题，晋升效力！
https://aistudio.baidu.com/aistudio/projectdetail/4516470?contributionType=1
被动学习 (Active Learning) 综述以及在文本分类和序列标注利用
https://aistudio.baidu.com/aistudio/projectdetail/4897371?contributionType=1

技术常识介绍：工业级常识图谱办法与实际
https://aistudio.baidu.com/aistudio/projectdetail/4444783?contributionType=1
特定畛域常识图谱交融计划：技术常识前置【一】- 文本匹配算法
https://aistudio.baidu.com/aistudio/projectdetail/5398069?contributionType=1

特定畛域常识图谱 (Domain-specific KnowledgeGraph:DKG) 交融计划(重点！)

在后面技术常识下能够看看后续的理论业务落地计划和学术计划

对于图神经网络的常识交融技术学习参考上面链接：[PGL 图学习我的项目合集 & 数据集分享 & 技术演绎业务落地技巧[系列十]](https://aistudio.baidu.com/ai…)

从入门常识到经典图算法以及进阶图算法等，自行查阅食用！

文章篇幅无限请参考专栏按需查阅：NLP 常识图谱相干技术业务落地计划和码源

4.1 特定畛域常识图谱常识交融计划（实体对齐)：优酷畛域常识图谱为例

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128614951

4.2 特定畛域常识图谱常识交融计划（实体对齐)：娱乐常识图谱构建之人物实体对齐

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128673963

4.3 特定畛域常识图谱常识交融计划（实体对齐)：商品常识图谱技术实战

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128674429

4.4 特定畛域常识图谱常识交融计划（实体对齐)：基于图神经网络的商品异构实体表征摸索

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128674929

4.5 特定畛域常识图谱常识交融计划（实体对齐)论文合集

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128675199

论文材料链接：两份内容不雷同，且依照序号从小到大重要性顺次递加

常识图谱实体对齐材料论文参考(PDF)+ 实体对齐计划 + 特定畛域常识图谱常识交融计划（实体对齐)

常识图谱实体对齐材料论文参考(CAJ)+ 实体对齐计划 + 特定畛域常识图谱常识交融计划（实体对齐)

4.6 常识交融算法测试计划（常识生产品质保障）

计划链接：https://blog.csdn.net/sinat_39620217/article/details/128675698

1.1 对于图计算 & 图学习的基础知识概览：前置知识点学习（PGL）[系列一]：https://aistudio.baidu.com/aistudio/projectdetail/4982973?contributionType=1

本我的项目对图基本概念、关键技术（示意办法、存储形式、经典算法），利用等都进行具体解说，并在最初用程序实现各类算法不便大家更好的了解。当然之后所有图计算相干都是为了常识图谱构建的前置条件

1.2 图机器学习 (GML)& 图神经网络(GNN) 原理和代码实现(前置学习系列二）
https://aistudio.baidu.com/aistudio/projectdetail/4990947?contributionType=1

当初曾经笼罩了图的介绍，图的次要类型，不同的图算法，在 Python 中应用 Networkx 来实现它们，以及用于节点标记，链接预测和图嵌入的图学习技术，最初讲了 GNN 分类利用以及将来倒退方向！

1.3 图学习初探 Paddle Graph Learning 构建属于本人的图【系列三】
https://aistudio.baidu.com/aistudio/projectdetail/5000517?contributionType=1

本我的项目次要解说了图学习的基本概念、图的利用场景、以及图算法，最初介绍了 PGL 图学习框架并给出 demo 实际，过程中把老我的项目 demo 修改版本兼容问题等小坑，并在最新版本运行便于后续同学更有体验感

1.4 PGL 图学习之图游走类 node2vec、deepwalk 模型[系列四]
https://aistudio.baidu.com/aistudio/projectdetail/5002782?contributionType=1

介绍了图嵌入原理以及了图嵌入中的 DeepWalk、node2vec 算法，利用 pgl 对 DeepWalk、node2vec 进行了实现，并给出了多个框架版本的 demo 满足个性化需要。

图学习【参考资料 1】词向量 word2vec https://aistudio.baidu.com/aistudio/projectdetail/5009409?contributionType=1

介绍词向量 word2evc 概念，及 CBOW 和 Skip-gram 的算法实现。

图学习【参考资料 2】- 常识补充与 node2vec 代码注解 https://aistudio.baidu.com/aistudio/projectdetail/5012408?contributionType=1

次要引入根本的同构图、异构图常识以及基本概念；同时对 deepWalk 代码的注解以及 node2vec、word2vec 的阐明总结；（以及作业代码注解）

1.5 PGL 图学习之图游走类 metapath2vec 模型[系列五]
https://aistudio.baidu.com/aistudio/projectdetail/5009827?contributionType=1

介绍了异质图，利用 pgl 对 metapath2vec 以及 metapath2vec 变种算法进行了实现，同时解说实现图分布式引擎训练，并给出了多个框架版本的 demo 满足个性化需要。

1.6 PGL 图学习之图神经网络 GNN 模型 GCN、GAT[系列六] [https://aistudio.baidu.com/ai…](https://aistudio.baidu.com/ai…
ontributionType=1)

本次我的项目解说了图神经网络的原理并对 GCN、GAT 实现形式进行解说，最初基于 PGL 实现了两个算法在数据集 Cora、Pubmed、Citeseer 的体现，在引文网络基准测试中达到了与论文等同程度的指标。

1.7 PGL 图学习之图神经网络 GraphSAGE、GIN 图采样算法[系列七] https://aistudio.baidu.com/aistudio/projectdetail/5061984?contributionType=1

本我的项目次要解说了 GraphSage、PinSage、GIN 算法的原理和实际，
并在多个数据集上进行仿真试验，基于 PGl 实现原论文复现和比照，也从多个角度探讨以后算法的异同以及在工业落地的技巧等。

1.8 PGL 图学习之图神经网络 ERNIESage、UniMP 进阶模型[系列八]
https://aistudio.baidu.com/aistudio/projectdetail/5096910?contributionType=1

ErnieSage 能够同时建模文本语义与图构造信息，无效晋升 Text Graph 的利用成果；UniMP 在概念上对立了特色流传和标签流传，在 OGB 获得了优异的半监督分类后果。

PGL 图学习之 ERNIESage 算法实现(1.8x 版本)【系列八】
https://aistudio.baidu.com/aistudio/projectdetail/5097085?contributionType=1

ERNIESage 运行实例介绍(1.8x 版本)，提供多个版本 pgl 代码实现

1.9 PGL 图学习之我的项目实际(UniMP 算法实现论文节点分类、新冠疫苗我的项目)[系列九]
https://aistudio.baidu.com/aistudio/projectdetail/5100049?contributionType=1

本我的项目借鉴了百度高研黄正杰大佬对图神经网络技术剖析以及图算法在业务侧利用落地；实现了论文节点分类和新冠疫苗我的项目的实际帮忙大家更好了解学习图的魅力。

PGL 图学习之基于 GNN 模型新冠疫苗工作[系列九]
https://aistudio.baidu.com/aistudio/projectdetail/5123296?contributionType=1

图神经网络 7 日打卡营的新冠疫苗我的项目拔高实战

PGL 图学习之基于 UniMP 算法的论文援用网络节点分类工作[系列九]
https://aistudio.baidu.com/aistudio/projectdetail/5116458?contributionType=1

基于 UniMP 算法的论文援用网络节点分类，在调通 UniMP 之后，后续尝试的技巧对于其精度的晋升效劳微不足道，所以不得不再次感叹百度 PGL 团队的弱小！

PGL 图学习我的项目合集 & 数据集分享 & 技术演绎业务落地技巧[系列十]
https://aistudio.baidu.com/aistudio/projectdetail/5127575?contributionType=1

强化学习

【强化学习我的项目一】搭建本人的寻宝游戏环境（Qlearning）
https://aistudio.baidu.com/aistudio/projectdetail/2006781?contributionType=1
MADDPG 多智能体深度强化学习算法算法实现(parl)–【追赶游戏复现】
https://aistudio.baidu.com/aistudio/projectdetail/1864915?contributionType=1
应用 TD3 解决四轴飞行器悬浮工作
https://aistudio.baidu.com/aistudio/projectdetail/1705633?contributionType=1

深度学习

【深度学习我的项目一】全连贯神经网络实现手写数字辨认
https://aistudio.baidu.com/aistudio/projectdetail/1926913?contributionType=1
深度学习我的项目二】卷积神经网络 LeNet 实现手写数字辨认
https://aistudio.baidu.com/aistudio/projectdetail/1928935?contributionType=1
【深度学习我的项目三】ResNet50 多分类工作【十二生肖分类】
https://aistudio.baidu.com/bd-cpu-01/user/691158/5427356/home#codelab
『深度学习我的项目四』基于 ResNet101 人脸关键点检测
https://aistudio.baidu.com/aistudio/projectdetail/1932295?contributionType=1
【深度学习我的项目五】：利用 LSTM 网络进行情感剖析
https://aistudio.baidu.com/aistudio/projectdetail/1994431?contributionType=1

༄ℳ继续更新中ꦿོ࿐

关于机器学习:NLP知识图谱项目合集信息抽取文本分类图神经网络性能优化等

NLP 常识图谱我的项目合集（信息抽取、文本分类、图神经网络、性能优化等）

1. 信息抽取我的项目合集

2. 文本分类用意辨认我的项目合集

3. 模型性能晋升我的项目合集

4. 常识图谱我的项目合集

5. 图神经网络

6. 其余我的项目