这是一篇关于聚类融合的PPT，首次给聚类融合下了一个明确的定义。很不错哦～～

华理研究生大组会论文汇报： large Language Model + knowledge graph Knowledge-Augmented Language Model Prompting for Zero-Shot Knowledge Graph Question Answering（2023 arXiv） Generated Knowledge Prompting for Commonsense Reasoning（ACL） Unifying Large Language Models and Knowledge Graphs: A Roadmap（2023 arXiv 综述）

商业新闻知识库 通过阅读新闻文章并引用Wikidata来构建Spacy知识库（以及很快的知识图）。 用法 pip install -r requirements.txt python3 main.py 笔记 我们使用Spacy NER的来查询Wikidata以查找适当的实体匹配项，但是我意识到en_core_web_md模型的NER标记在商业新闻上并不理想（至少在Palantir文章中不是）。 该计划是在用户喜欢的地方添加一个“循环中的”组件，用户可以根据自己的喜好对文章进行注释，并使用其注释来更新Spacy知识库。 这应该使解决这些实体的后续冲突变得更加容易。 $ python3 main.py processing article " palantir says in updated filing it expects 42% revenue growth this year to

BABOK，CBAP，商业分析知识体系指南 v3[A_Guide_to_the_Business_Analysis_Body_of_Knowledge v3]

y蛇 最近的新闻： 2020年3月11日：更新到最新的snarkjs （这是对PySNARK原始版本的重写，仍可。） PySNARK允许您直接在Python 3中编程zk-SNARK（又名可验证计算）。例如，以下代码运行SNARK程序以计算数字的立方，生成键材料，生成证明并验证它： import sys from pysnark.runtime import snark @snark def cube(x): return x*x*x print("The cube of", sys.argv[1], "is", cube(int(sys.argv[1]))) PySNARK可以使用或作为后端。 对于使用pysnark提供的PubVal数据类型（或使用@snark装饰器）执行的任何计算，该库都会跟踪该计算的Rank-1约束系统。 计算完成后，将生成（或重复使用）用于计算的关

GKT 本文。 GKT的体系结构如下： 设置 要运行此代码，您需要以下内容： 配备GPU的机器 python3 numpy，pandas，scipy，scikit-learn和火炬程序包： pip3 install numpy==1.17.4 pandas==1.1.2 scipy==1.5.2 scikit-learn==0.23.2 torch==1.4.0 请注意，不要使用0.23.4版本的熊猫，因为在processing.py文件中执行以下命令时，它将导致错误。 df.groupby('user_id', axis=0).apply(get_data) 如果您使用“ assistment_test15.csv”文件进行测试，则在pandas 0.23.4版本中，经过groupby用户后，它将返回16名学生。 但是，如果您在1.x版本中使用熊猫，它将返回15名学生。 （此

LOCTriples 中国城市信息知识图谱，包含中国所有县级以上城市三元组信息，共18534个三元组 格式如下所示： 以丰台区为例 丰台区#区人大主任#李昌安 丰台区#所属地区#中国北京市 丰台区#地理位置#北京市中心城区的南部 丰台区#车牌代码#京 丰台区#行政代码#110106 丰台区#机场#北京南苑机场，北京新机场等 丰台区#气候条件#暖温带半湿润季风型气候 丰台区#区委书记#汪先永 丰台区#火车站#北京南站、北京西站等 丰台区#行政区类别#市辖区 丰台区#下辖地区#丰台街道、卢沟桥乡、南苑街道等 丰台区#区政协主席#刘宇 丰台区#电话区号#010 丰台区#面积#305.87平方千米 丰台区#人口#225.5万（2016年） 丰台区#区长#冀岩 丰台区#著名景点#卢沟桥、宛平城、北京园博园、世界花卉大观园、北宫国家森林公园 丰台区#GDP#1262.6亿元（2016年） 丰台区#方言

本文档详细分析了预训练语言模型领域的最新进展，可为自然语言处理的研究和学习人员提供参考。用于重现分析结果的代码可在github上获取。

自监督学习相关论文 Self-supervised Learning for Linking Knowledge Graphs(TKDE21)

【AAAI2023】视觉辅助的常识知识获取Visually Grounded Commonsense Knowledge Acquisition 论文源码。大规模的常识知识库为广泛的AI应用提供了能力，其中常识知识的自动提取(CKE)是一个基本和具有挑战性的问题。文本中的CKE因其固有的稀疏性和文本中常识的报道偏差而闻名。另一方面，视觉感知包含了丰富的关于现实世界实体的常识知识，如(人、能拿的东西、瓶子)，这可以作为获得基础常识知识的有前途的来源。在这项工作中，我们提出CLEVER，它将CKE描述为一个远端监督的多实例学习问题，其中模型学习从一组关于实体对的图像中总结常识关系，而不需要对图像实例进行任何人为注释。为了解决这一问题，CLEVER利用视觉语言预训练模型来深入理解袋子中的每个图像，并从袋子中选择信息实例，通过一种新颖的对比注意力机制来总结常识性的实体关系。综合实验结果表明，CLEVER方法能够较好地提取常识性知识，比基于语言模型的预训练方法提高了3.9个AUC点和6.4个mAUC点。预测的常识得分与人的判断具有较强的相关性，斯皮尔曼系数为0.78。提取出来的常识也可以根植于具