- 综合排序
- 最热优先
- 最新优先
ReFinED：提升文本与知识库实体链接技术
在NAACL 2022的工业界轨道上，我们介绍了一个名为 ReFinED 的新EL系统，它解决了上述三个问题。 ReFinED能够泛化到大规模知识库（如Wikidata，其实体数量是维基百科的15倍），并支持零样本实体链接。 速度、准确率和可扩展性的结合，使ReFinED成为一个高效且成本经济的系统，用于从网络规模的数据集中抽取实体，该模型已在某机构内部成功部署。 ReFinED计算两个分数：描述分数和类型分数，用于评估输入句子与知识库中候选实体的匹配程度。 在底层，ReFinED是一个基于Transformer的神经网络，它计算两个分数：描述分数和实体类型分数，以指示一个实体对于一个指称的合适程度。
8510编辑于 2026-04-21ReFinED：高效精准的文本与知识库实体链接新方法
在某顶级会议2022工业界轨道中，我们介绍了一个名为ReFinED的新实体链接系统，它解决了上述三个问题。 ReFinED能够泛化到某维基这样的大规模知识库（其实体数量是某百科的15倍），并支持零样本实体链接。 速度、准确性和规模三者的结合，使得ReFinED成为从网络规模数据集中提取实体的高效且成本效益显著的系统，该模型已在某机构内部成功部署。 与早期的零样本能力模型类似，ReFinED使用细粒度实体类型和实体描述来执行实体链接。 在底层，ReFinED是一个基于Transformer的神经网络，它计算两个分数——描述分数和实体类型分数——来指示一个实体对于一个提及的合适程度。
10910编辑于 2026-03-13- 来自专栏程序猿DD
一款插件如何让Github变得不一样？
君介绍了几个Github专用的插件（三款Github插件，让你浏览Github事半功倍），小伙伴们纷纷表示有用，俗话说的好，打铁要趁热，于是今天TJ君再接再厉，再介绍一个功能强大的Github插件： refined-github refined-github，对于浏览Github的用户来说，可以使得界面更加简单易懂，可以让操作变得更加轻松，作为一款浏览器扩展程序，refined-github到底可以做到点什么功能呢？ 空白字符的显示 refined-github可以直接显示代码中的空白字符，让人一目了然。 refined-github将所有做过类似动作的人进行分类，并在页面上直接可以查看头像： 联动代码与 issue/PR 在代码里可以增加issue/PR的相关联动项 也可以将 issue/PR置为未读状态 恢复PR内容 增加了一个按钮，可以直接恢复对PR的修改内容 可选择或隐藏问题注释 对于issue/PR中的注释，可以选择不展示或者部分按要求展示 目前refined-github支持三种浏览器，
55110编辑于 2021-12-06 - 来自专栏DeepHub IMBA
基于 LangGraph 的对话式 RAG 系统实现：多轮检索与自适应查询优化
= response.content.strip() print(f"rephrase_query: Rephrased to: {refined}") state ["refined_query"] = refined else: state["refined_query"] = state["question"].content = response.content.strip() print(f"tweak_question: Refined to: {refined}") state["refined_query "] = refined state["refinement_attempts"] = attempts + 1 return state def create_response history = state["turns"] context = state["retrieved_docs"] question = state["refined_query
74110编辑于 2025-11-15 - 来自专栏Data分析
学生成绩分析项目——数据分析与可视化
= df_filled.describe() refined_test_means = df_filled.mean() # 用精炼后的数据重新计算相关矩阵 refined_correlation_matrix ''' # 保存细化的趋势分析图 plt.figure(figsize=(10, 6)) plt.plot(test_names, refined_test_means[1:], marker='o' Refined Correlation Matrix of Test Scores') plt.savefig('refined_correlation_matrix.png') # 使用精炼的分析结果更新精炼的报告 refined_report = refined_report.format(df_filled.shape[0], df_filled.shape[1] - 1, refined_test_stats.to_string ', 'w') as f: f.write(refined_report) 总结： 学生成绩分析项目是一项有意义且具有挑战性的任务。
2.3K10编辑于 2024-01-30 实体链接技术突破：高效连接文本与知识库
在NAACL 2022工业轨道上，我们推出了名为ReFinED的新实体链接系统，解决了所有三个问题。 ReFinED在标准实体链接数据集上的F1分数平均超过最先进性能3.7分，并且比具有竞争性能的现有方法快60倍。 ReFinED能够泛化到大规模知识库（如Wikidata，其实体数量是维基百科的15倍）并支持零样本实体链接。 与早期的零样本能力模型一样，ReFinED使用细粒度实体类型和实体描述来执行实体链接。 在内部，ReFinED是一个基于Transformer的神经网络，计算两个分数：描述分数和实体类型分数，以指示实体对提及的适合程度。
25910编辑于 2025-10-31- 来自专栏最新Python入门基础合集
优质GitHub项目推荐：助力开发与效率提升
2. refined-github 项目链接：https://github.com/refined-github/refined-github 项目简介： Refined GitHub是一个浏览器扩展 无论你使用哪种浏览器，都能享受到Refined GitHub带来的便利。
54210编辑于 2025-04-16 - 来自专栏洛竹早茶馆
使用rollup打包React Native插件并发布
安装 rollup $ yarn add -D rollup package.json { "name": "react-native-refined-components", "version ": "0.1.0", "description": "refined react-native components", "main": "dist/cjs/index.js", "module index.ts', // 输出 output: { file: pkg.browser, // 文件 format: 'umd', // 格式 name: 'refined-components /dist/umd/index.js', // 文件 format: 'umd', // 格式 name: 'refined-components', // 生成包名称，代表你的 /dist/umd/index.js', // 文件 format: 'umd', // 格式 name: 'refined-components', // 生成包名称，代表你的
2.7K30发布于 2021-05-31 - 来自专栏SIGAI学习与实践平台
【AAAI2019】【CVPR2018】最新 Video-based ReID 论文核心解读---附代码
+STIM总框架图 看图说话，main contribution就是 RRU 和 STIM 模块，不过后者简直是醉了：STIM = 1x1x1卷积+3x3x3卷积+AVGpooling，等于把每帧时空refined ： 1.由于是想设计类似RNN的 recurrent unit的结构，利用上一个时刻的输出很有必要，故RRU的输入为当前帧，上一帧的 raw feature xi,k,t,xi,k,t-1和上一帧的 refined feature1 Si,k,t-1的更新权值1-Z 4.最后更新得到当前帧的refined feature： ? 循环计算clip中每一帧的refined feature，最后把T帧特征stack起来。 ? 图7：X为raw feature，S为RRU后refined feature Loss function由三部分组成： STIM后的softmax CE loss + STIM后的video-level
1.4K50发布于 2019-01-23 - 来自专栏GiantPandaCV
目标检测算法之CVPR 2018 RefineDet
我们知道SSD是直接在人为设定的默认框上做回归，而RefineDet先通过ARM模块生成Refined Anchors boxes类似于RPN的Propsoal，然后在Refined Anchors boxes 在每个特征图单元格中，我们预测Refined Anchors boxes的四个偏移量（相对于原始Anchors boxes）和指示前景存在的两个置信度分数。 最终，可以在每个特征图单元格上产生n个Refined Anchors。获得Refined Anchors后，我们将其传到ODM模块相应的特征图中，进一步生成目标类别和目标框位置。 我们计算Refined Anchors的c个类别分数和四个准确的偏移量，产生c + 4的输出以完成检测任务。此过程类似于SSD 中的默认框。 也就是通过Hard Negative Anchor和Refined anchor来训练ODM。与此同时，在预测阶段，如果Refined Anchor Box负置信度大于，则在ODM进行检测时丢弃。
1K20发布于 2019-12-24 - 来自专栏Lvshen的技术小屋
设计模式23之桥接模式（终章）
扩展抽象化（Refined Abstraction）角色：是抽象化角色的子类，实现父类中的业务方法，并通过组合关系调用实现化角色中的业务方法。 (implementor); } @Override public void operation() { System.out.println("扩展抽象化(Refined new RefinedAbstraction(implementorA); refinedAbstraction.operation(); } } 测试结果： 扩展抽象化(Refined
40910编辑于 2022-05-05 - 来自专栏嵌入式开发圈
C++ 桥接模式 - 开关和电器
protected: IEquipment *m_pEquipment; }; #endif // ABSTRACTION_H 创建扩充抽象类 特定类型的开关很多，比如拉链式开关、两位开关： // refined_abstraction.h #ifndef REFINED_ABSTRACTION_H #define REFINED_ABSTRACTION_H #include "abstraction.h" #include <iostream equipment with a two-position switch." << std::endl; m_pEquipment->PowerOff(); } }; #endif // REFINED_ABSTRACTION_H 创建客户端 很好，是时候将开关和电器关联起来了： // main.cpp #include "refined_abstraction.h" #include "concrete_implementor.h
86120发布于 2021-03-15 - 来自专栏生信补给站
空转|CARD-结合scRNA解决空间转录组spot注释，还能增强空间精度？！
之所以在Seurat 和 SPOTlight外还要再介绍CARD，是因为在算法层面的区别外，CARD还额外以下几种使用场景： （1）Refined spatial map（提升空间图谱精度） （2）reference-free CARD.imputation function location_imputation = cbind.data.frame(x=as.numeric(sapply(strsplit(rownames(CARD_obj@refined_prop "x"),"[",1)), y=as.numeric(sapply(strsplit(rownames(CARD_obj@refined_prop ),split="x"),"[",2))) rownames(location_imputation) = rownames(CARD_obj@refined_prop) 这里的NumGrids 自定义 4.2，分辨率增强-细胞类型比例可视化 p6 <- CARD.visualize.prop( proportion = CARD_obj@refined_prop,
2.4K20编辑于 2023-08-25 - 来自专栏算法与数据之美
深度学习 | 双重注意力机制之CBAM
,1,1]) channel_attention=tf.nn.sigmoid(channel_attention_max+channel_attention_avg) channel_refined_feature spatial_attention,num_outputs=out_dim, kernel_size=7) spatial_attention=tf.nn.sigmoid(spatial_attention) refined_feature =channel_refined_feature*spatial_attention return refined_feature
5.7K10发布于 2020-01-17 - 来自专栏云+分享
旋转目标检测 | R3Det，基于特征精炼的单阶段检测模型
R3det: Refined single-stage detector with feature refinement for rotating object 论文发表：AAAI 2021 论文链接： https://github.com/Thinklab-SJTU/R3Det_Tensorflow image.png @article{yang2019r3det, title={R3det: Refined feature refinement module：针对现有的单阶段refined detector，作者发现他们存在特征没对齐的问题，因此设计了一个特征精炼模块，使用特征插值来获取精炼的位置信息并重建特征图实现特征对齐
3.8K10编辑于 2022-04-11 - 来自专栏气象学家
顶会 AAAI 2026 | 东南大学等提出WaveC2R：小波变换+Diffusion，刷新卫星雷达反演SOTA！
基于此，团队提出了WaveC2R (Wavelet-Driven Coarse-to-Refined Hierarchical Learning)框架。 Figure 2：展示小波分解后低频代表强度、高频代表边界的示意图 03 方法：WaveC2R 框架详解 WaveC2R 采用了一种“由粗到精（Coarse-to-Refined）”的两阶段策略： 第一阶段 论文传送门 ·论文标题：WaveC2R: Wavelet-Driven Coarse-to-Refined Hierarchical Learning for Radar Retrieval ·录用会议
23410编辑于 2026-03-25 - 来自专栏DeepHub IMBA
Orion-MSP：深度学习终于在表格数据上超越了XGBoost
All samples attend to the memory to enrich their representations refined_embeddings = H_all_samples for i in 1..N_read_layers: refined_embeddings = CrossAttention(query=refined_embeddings, key_value =latent_memory) return refined_embeddings 这个refined representation R既有行本身的信息，又融入了训练集的distributional 第四步：split-masked Transformer做zero-shot预测 最后refined embeddings进ICL prediction head。
23910编辑于 2025-11-15 - 来自专栏图像处理与模式识别研究所
演示随机点的高分辨率三轮廓同时提高绘图质量。
plot_masked_tri = True # plot of excessively flat excluded triangles plot_refi_tri = False # plot of refined a Delaunay mesh\n" + "(application to high-resolution tricontouring)") # 1) plot of the refined
38020编辑于 2022-05-28 - 来自专栏用户7627119的专栏
m6A RNA甲基化修饰特征
Refined RIP-seq protocol forepitranscriptome analysis with low input materials[J].
1.1K30发布于 2020-08-05 - 来自专栏DeepHub IMBA
从零搭建RAG应用：跳过LangChain，掌握文本分块、向量检索、指代消解等核心技术实现
format_history(chat_log) # Step 2: Resolve pronouns or unclear references in the query refined_query = contextualize_query(query, prior_messages, client) print(f"[Refined Query] {refined_query}") Retrieve relevant knowledge from the vector DB search_results = run_semantic_query(collection, refined_query # Step 4: Generate an answer grounded in retrieved content answer = generate_response(refined_query
52110编辑于 2025-11-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号