search

rimochiko / nichijio-notes

记录一些有的没的
0 stars 0 forks source link

2019-08周 #6

Open jerrycheese opened 5 years ago

jerrycheese commented 5 years ago

Monday, Feb 25, 2019

00 Unit 56. Verb+-ing or to...(2)

A

Try to... 和 try -ing

Try to do = attempt todo, make an effort to do. 表示尽力做某事

Try 也表示"do something as an experiment or test"，试着/试试做某事

如果在上述意思下，try后面的跟的动词要用-ing形式：

B

Need to ... 和 need ing

I need to do sth. = it is necessary for me to do it, 这对我来说是有必要的

Something needs doing = something needs to be done，某事做某事（某事需要被完成）

C

Help 和 can't help

help to do 和 help do 都是不定式，带不带to都行

can't/couldn't help doing sth. = I can't stop myself from doing it，我忍不住...

01

看了三小时论文，一半没看懂，明天继续。。。

jerrycheese commented 5 years ago

Tuesday, Feb 26, 2019 六级过了，哈哈哈，但是继续刷分

00 论文笔记

标题：Textbook Question Answering with Knowledge Graph Understanding and Unsupervised Open-set Text Comprehension 作者：Daesik Kim，Seonhoon Kim，Nojun Kwak

问题描述：给定lesson，lesson有很多个paragraph（可能含图片），问题（可能含图片），和候选答案，要求系统做单选题。 选项数量2-7不等，只有2个选项的题目称为T/F问题。 数据集：TQA

含有图片的问题称为diagram question

算法

① GCN部分大致算法 首先根据question、answer使用TF-IDF找到最相关的一个段落（可能含图） 将段落进行依赖解析，得到依赖树 将question和answer的共同词设为anchor nodes 在依赖树中，按照anchor nodes，去掉两层深度之外的节点，得到context graph，如果question中含有图，那就将该段落的图，使用UDPnet转成文本，再把这个文本按照上述方法构造得到另一个context graph（所以并没有对question中的图片做任何处理） 对于question和answer，使用GloVe+char-cnn编码；对于context graph，使用GCN进行编码，把文字和graph特征用attention机制结合，最后把特征做concat连接 RNNc用来理解question和answer，对于每一个候选answer都进行上述操作，假设有j个候选答案，最后就得到j个对应的特征向量 RNNs用来解题，把这j个特征向量送入一个全连接层，接着训练网络即可

② UTC部分大致算法 UTC = Unsupervised Text Comprehension ① 是先用TF-IDF选出一个paragraph，根据这个paragraph和question，在候选answer中选一个最有可能的，这样的话，模型遇到的paragraph就比较少。算法②是在①之前使用，也可以叫做预处理阶段，目的是防止out-of-domain问题，先让模型遇见更多的paragraph，核心思想是根据answer找到最对应的paragraph： 回想算法①，是选出候选answer中，与TF-IDF最高的那篇paragraph最切合的answer；UTC则反过来假设有j个候选answer，对于第k个answer，我们需要找到j个候选paragraph（如果lesson中paragraph小于j，则令j为段落数量）中，最切合该answer的paragraph。这j个段落根据TF-IDF排序得到，取前j个即可。同时我们相信TF-IDF值最高的那个就是ground truth。模型的其他部分都不变。

细节

question和answer的理解使用的RNNc是同一个（共享权值） question中的图片并未做任何处理 RNNc的输入是词向量组成的矩阵，每一个词是是GloVe、Char-CNN编码的连接结果（concat操作），并且添加一维occurrence flag，表示这个词在paragraph中是否出现了

01 Unit 58. Prefer 和 would rather

A

Prefer to do 和 prefer doing

通常来说两者都可以用：

三种结构的prefer：

B

Would prefer(I'd prefer)

用 "would prefer" 表示某人在某个特定情况下想要什么：

用 "would prefer to do" 而不是doing

C

Would rather(I'd rather...)

Would rather(do) = would prefer(to do). 在would rather后面使用不带to的不定式：

对比：

看一看 would rather 结构：

I'd rather do sth. than (do) sth. else. ：

D

当我们想让某人去做某事的时候，可以用 I'd rather you did sth. ，对比：