超级备忘录助手 它是什么？ 您的提供强大的功能： 您要增量阅读PDF文件吗？ Chrome或Firefox可以更方便地导入Web文章吗？ 您需要LaTeX来显示科学公式吗？ 还是要从字典中快速查找单词定义？ 现在，您可以直接在SuperMemo中完成所有这些以及更多操作。 ！ 它能做什么 ？ SuperMemo本身可以做的几乎所有事情： 创建新元素（主题，项目等）， 更改显示的内容（html，图像等） 导航到新元素， 浏览知识树， 查看，重新安排，取消或删除元素， 等等。 插件使用这些功能来扩展SuperMemo的新功能（PDF增量读取，LaTeX，字典等）。 它是如何工作的 ？ SMA就像SuperMemo的中枢神经系统的芯片一样。 它监视其内部状态，并利用程序的强大代码库来公开其主要功能。 然后通过开发人员可以用来构建插件的API公开它们。 简而言之，S

Learning Question Answering over QA Corpora and Knowledge Base

KG Refinement by Knowledge Intensive Crowdsourcing-林欣.pdf

布雷特·克罗姆坎普 (Brett Kromkamp) 的 TopicDB TopicDB 是一个基于主题图的图库（使用进行持久化）。 主题图提供了一种描述抽象概念和现实世界（信息）资源之间复杂关系的方法。 带有主题、关联和事件的主题地图 要更深入地介绍主题地图，我建议阅读 MSDN 上关于主题地图的优秀介绍性文章：。 话虽如此，虽然 TopicDB 的灵感来自主题地图范式，但它不是（也永远不会） 数据模型标准的实现。 TopicDB 旨在供其他 Python 应用程序使用，并且不向 API 提供自己的用户界面。 目前正在积极开发中，将为 TopicDB 提供一个完整的基于 Web 的用户界面。 为什么？ 我构建（故事）世界和知识管理系统。 TopicDB 在这两项工作中都发挥着至关重要的作用。 功能支持 待办的 安装 TopicDB 正式支持 Python 3.6-3.9。 要安装

Encoding Knowledge Graph Entity Aliases in Attentive Neural Network for Wikidata Entity Linking

knowledge-----------docker自我回顾

bbs签名 该存储库是高性能多消息数字签名算法实现的来源，该实现支持导出零知识证明，从而可以从原始签名的消息集中进行选择性公开。 是一种数字签名算法，最初源自Boneh，Boyan和Shachum的工作，后来在作为BBS +进行了改进，并在《 中的第4.3节中再次涉及。 。 BBS +签名需要一条的，该库包含对支持。 BBS +签名允许进行多消息签名，同时生成单个输出签名。 使用BBS签名，可以生成基于证明的其中只有部分原始签署的消息由证明者决定是否公开。 有关签名算法的更多详细信息，请参阅。 入门 要在项目中使用此软件包，只需运行 npm install @mattrglobal/bbs-signatures 或与 yarn add @mattrglobal/bbs-signatures 在浏览器中通过CDN使用 要通过 CDN在浏览器中使用此库，请在HTML中包含以下脚本元素

" Python " 笔记整理。“ 标准时间库time ” & " Python 中的保留字 " 。

Recommender-System A developing recommender system, implements in tensorflow 2. Dataset: MovieLens-100k, MovieLens-1m, MovieLens-20m, lastfm, Book-Crossing, and some satori knowledge graph. Algorithm: UserCF, ItemCF, LFM, SLIM, GMF, MLP, NeuMF, FM, DeepFM, MKR, RippleNet, KGCN and so on. Evaluation: ctr's auc f1 and topk's precision recall. Requirements Python 3.8 Tensorflow 2.3.2 Run Open parent

知识图论的深度强化学习 我们研究在大型知识图（KG）中学习推理的问题。 更具体地说，我们描述了一种用于学习多跳关系路径的新颖的强化学习框架：我们使用基于知识图嵌入的具有连续状态的基于策略的代理，这通过对最有希望的关系进行采样来在KG向量空间中进行扩展它的路径。 与以前的工作相比，我们的方法包括一种奖励功能，该功能考虑了准确度，多样性和效率。 实验表明，在Freebase和Never-Ending Language Learning数据集上，我们提出的方法优于基于路径排序的算法和知识图嵌入方法。 访问数据集 下载知识图数据集 如何运行我们的代码 解压缩数据，将数据文件夹放在代码目录中 在scr