知识图谱论文 知识图谱论文可以参考的文献
人工智能未来的发展前景怎么样？
近年来我国人工智能产业呈现出了蓬勃发展的良好态势。一是部分关键应用技术特别是图像识别、语音识别等技术，处于全球相对领先的水平，人工智能论文总量和高倍引用的论文数量，也处在梯队，据全球相对前列。二是产业整体实力显著增强。全国人工智能产业超过一千家，覆盖技术平台、产品应用等多环节，已经形成了比较完备的产业链。京津冀、长三角、珠三角等地区的人工智能产业急剧发展的格局已经初步形成。三是与行业融合应用不断深入。人工智能凭借其强大的赋能性，正在成为促进传统行业转型升级的重要驱动力量，各领域智能的新技术、新模式、新业态不断涌现，辐射溢出的效应也在持续增强，人工智能概念的火热促进了不少行业的兴起，比如域名，许多相关的.top域名已经被注册。但也要看到，在快速发展过程当中，我国人工智能的基础技术，还有较大欠缺，能够真正创造商业价值的还比较少。传统行业与人工智能的融合还存在较高门槛，有数据显示，今年人工智能领域投融资比前两年特别是跟去年相比，也有比较大幅度的下调。
知识图谱论文 知识图谱论文可以参考的文献
知识图谱论文 知识图谱论文可以参考的文献
人工智能应用具有领域广、渗透深的特点，在产业化方面具有独特优势，但也面临巨大挑战，尤其是在基础理论和算法方面，原始创新能力不足，在高端芯片、关键部件等方面基础薄弱，高水平人才也不足。随着全球人工智能加速发展，各国在认知智能、机器学习、智能芯片等方面将不断取得突破。
虽然“人工智能”(AI)已经成为一个几乎人人皆知的概念，但对人工智能的定义还没有达成普遍共识。人工智能这一概念最初于上个世纪五十年代首次被提出。自此开始，以LISP语言、机器定理证明为代表的经典技术，标志着人工智能的形成。后来，人工智能逐步发展，以越来越精准的技术走进人们的生活。这个行业也掀起一波又一波浪潮，无数人才满怀热情和期望向它进发。
[昱言]第三期人工智能第三部分：人一旦出现，将固定在首次出现的年份，尽这里还存在一个十分的问题，很多CiteSpace新手甚至老手都不知道，导致已经发表的很多论文存在问题。即利用不清洗的数据直接作图会导致首次出现时间错误。管之后论文里仍会出现该，图中将不再显示，只会在最早出现的年份显示。工智能的发展前景
人工智能技术应用：情感分析概述
如果一个在1998年出现一次，之后几年没出现，而在2012年出现了80次，那么软件会把该归到1998年，显然结果是不合理的，因为存在异常情况。当然，既然是异常，现实情况出现几率不是很大。与其他的人工智能技术相比，情感分析(Sentiment Analysis)显得有些特殊，因为其他的领域都是根据客观的数据来进行分析和预测，但情感分析则带有强烈的个人主观因素。情感分析的目标是从文本中分析出人们对于实体及其属性所表达的情感倾向以及观点，这项技术最早的研究始于2003年Nasukawa和Yi两位学者的关于商品评论的论文。
随着推特等社交媒体以及电商平台的发展而产生大量带有观点的内容，给情感分析提供了所需的数据基础。时至今日，情感识别已经在多个领域被广泛的应用。例如在商品零售领域，用户的评价对于零售商和生产商都是非常重要的反馈信息，通过对海量用户的评价进行情感分析，可以量化用户对产品及其竞品的褒贬程度，从而了解用户对于产品的诉求以及自己产品与竞品的对比优劣。在舆情领域，通过分析大众对于热点的点评可以有效的掌握舆论的走向。在企业舆情方面，利用情感分析可以快速了解对企业的评价，为企业的战略规划提供决策依据，提升企业在市场中的竞争力。在金融交易领域，分析交易者对于股票及其他金融衍生品的态度，为行情交易提供辅助依据。
目前，绝大多数的人工智能开放平台都具备情感分析的能力，如图所示是玻森中文语义开放平台的情感分析功能演示，可以看出除了通用领域的情感分析外，还有汽车、厨具、餐饮、和微博几个特定领域的分析。
那么到底什么是情感分析呢？从自然语言处理技术的角度来看，情感分析的任务是从评论的文本中提取出评论的实体，以及评论者对该实体所表达的情感倾向，自然语言所有的核心技术问题，例如：词汇语义，指代消解，此役小气，信息抽取，语义分析等都会在情感分析中用到。因此，情感分析被认为是一个自然语言处理的子任务，我们可以将人们对于某个实体目标的情感统一用一个五元组的格式来表示：(e,a,s,h,t)
以图为例，e是指某餐厅，a为该餐厅的性价比属性，s是对该餐厅的性价比表示了褒义的评价，h为发表评论者本人，t是19年7月27日。所以这条评论的情感分析可以表示为五元组（某餐厅，性价比，正向褒义，评论者，19年7月27日）。
情感分析根据处理文本颗粒度的不同，大致可以分为三个级别的任务，分别是篇章级、句子级和属性级。我们分别来看一下。
1. 篇章级情感分析
篇章级情感分析的目标是判断整篇文档表达的是褒义还是贬义的情感，例如一篇书评，或者对某一个热点时事发表的评论，只要待分析的文本超过了一句话的范畴，即可视为是篇章级的情感分析。
对于篇章级的情感分析而言有一个前提设，那就是全篇章所表达的观点仅针对一个单独的实体e，且只包含一个观点持有者h的观点。这种做法将整个文档视为一个整体，不对篇章中包含的具体实体和实体属性进行研究，使得篇章级的情感分析在实际应用中比较局限，无法对一段文本中的多个实体进行单独分析，对于文本中多个观点持有者的观点也无法辨别。
例如评价的文本是：“我觉得这款手机很棒。”评价者表达的是对手机整体的褒义评价，但如果是：“我觉得这款手机拍照功能很不错，但信号不是很好”这样的句子，在同一个评论中出现了褒义词又出现了贬义词，篇章级的分析是无法分辨出来的，只能将其作为一个整体进行分析。
不过好在有很多的场景是不需要区分观点评价的实体和观点持有者，例如在商品评论的情感分析中，可以默认评论的对象是被评论的商品，评论的观点持有者也是评论者本人。当然，这个也需要看被评论的商品具体是什么东西，如果是亲子旅游这样的旅游服务，那么评论中就很有可能包含一个以上的观点持有者。
在实际工作中，篇章级的情感分析无法满足我们对于评价更细致，如果需要对评论进行更，更细致的分析，我们需要拆分篇章中的每一句话，这就是句子级的情感分析研究的问题。
2. 句子级情感分析
与篇章级的情感分析类似，句子级的情感分析任务是判断一个句子表达的是褒义还是贬义的情感，虽然颗粒度到了句子层级，但是句子级分析与篇章级存在同样的前提设是，那就是一个句子只表达了一个观点和一种情感，并且只有一个观点持有人。如果一个句子中包含了两种以上的评价或多个观点持有人的观点，句子级的分析是无法分辨的。好在现实生活中，绝大多数的句子都只表达了一种情感。
既然句子级的情感分析在局限性上与篇章级是一样的，那么进行句子级的情感分析意义何在呢？关于这个问题，需要先解释一下语言学上主观句与客观句的分别。在我们日常用语当中，根据语句中是否带有说话人的主观情感可以将句子分为主观句和客观句，例如：“我喜欢这款新手机。”就是一个主观句，表达了说话人内心的情感或观点，而：“这个APP昨天更新了新功能。”则是一个客观句，陈述的是一个客观事实性信息，并不包含说话人内心的主观情感。通过分辨一个句子是否是主观句，可以帮助我们过滤掉一部分不含情感的句子，让数据处理更。
但是在实过程中，我们会发现这样的分类方法似乎并不是特别准确，因为一个主观句也可能没有表达任何的情感信息，知识表达了期望或者猜测，例如：“我觉得他现在已经在回家的路上了。”这句话是一个主观句，表达了说话人的猜测，但是并没有表达出任何的情感。而客观句也有可能包含情感信息，表明说话者并不希望这个事实发生，例如：“昨天刚买的新车就被人刮花了。”这句话是一个客观句，但结合常识我们会发现，这句话中其实是包含了说话人的负面情感。
所以，仅仅对句子进行主客观的分类还不足以达到对数据进行过滤的要求，我们需要的是对句子是否含有情感信息进行分类，如果一个句子直接表达或隐含了情感信息，则认为这个句子是含有情感观点的，对于不含情感观点的句子则可以进行过滤。目前对于句子是否含有情感信息的分类技术大多都是采用有监督的学习算法，这种方法需要大量的人工标注数据，基于句子特征来对句子进行分类。
总之，我们可以将句子级的情感分析分成两步，步是判断待分析的句子是否含有观点信息，第二步则是针对这些含有观点信息的句子进行情感分析，发现其中情感的倾向性，判断是褒义还是贬义。关于分析情感倾向性的方法与篇章级类似，依然是可以采用监督学习或根据情感词词典的方法来处理，我们会在后续的小节详细讲解。
句子级的情感分析相较于篇章级而言，颗粒度更加细分，但同样只能判断整体的情感，忽略了对于被评价实体的属性。同时它也无法判断比较型的情感观点，例如：“A产品的用户体验比B产品好多了。”对于这样一句话中表达了多个情感的句子，我们不能将其简单的归类为褒义或贬义的情感，而是需要更进一步的细化颗粒度，对评价实体的属性进行抽取，并将属性与相关实体之间进行关联，这就是属性级情感分析。
3. 属性级情感分析
上文介绍的篇章级和句子级的情感分析，都无法确切的知道评价者喜欢和不喜欢的具体是什么东西，同时也无法区分对某一个被评价实体的A属性持褒义倾向，对B属性却持贬义倾向的情况。但在实际的语言表达中，一个句子中可能包含了多个不同情感倾向的观点，例如：“我喜欢这家餐厅的装修风格，但菜的味道却很一般。”类似于这样的句子，很难通过篇章级和句子级的情感分析了解到对象的属性层面。
为了在句子级分析的基础上更加细化，我们需要从文本中发现或抽取评价的对象主体信息，并根据文本的上下文判断评价者针对每一个属性所表达的是褒义还是贬义的情感，这种就称之为属性级的情感分析。属性级的情感分析关注的是被评价实体及其属性，包括评价者以及评价时间，目标是挖掘与发现评论在实体及其属性上的观点信息，使之能够生成有关目标实体及其属性完整的五元组观点摘要。具体到技术层面来看，属性级的情感分析可以分为以下6个步骤：
关于文本中的实体抽取和指代消解问题，我们已经在知识图谱的相关章节中做了介绍，这里就不再赘述。针对篇章级、句子级、属性级这三种类型的情感分析任务，人们做了大量的研究并提出了很多分类的方法，这些方法大致可以分为基于词典和基于机器学习两种，下面我们进行详细的讲解。
做情感分析离不开情感词，情感词是承载情感信息最基本的单元，除了基本的词之外，一些包含了情感含义的短语和成语我们也将其统称为情感词。基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。
具体的步骤如图所示，首先将待分析的文本先进行分词，并对分词后的结果做去除停用词和无用词等文本数据的预处理。然后将分词的结果与情感词典中的词进行匹配，并根据词典标注的情感分对文本进行加法计算，最终的计算结果如果为正则是褒义情感，如果为负则是贬义情感，如果为0或情感倾向不明显的得分则为中性情感或无情感。
情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果，在这方面可以直接采用已有的开源情感词典，例如BosonNLP基于微博、、等数据来源构建的情感词典，知网（Hownet）情感词典，大学简体中文情感极性词典（NTSUSD），snownlp框架的词典等，同时还可以使用哈工大整理的同义词词林拓展词典作为辅助，通过这个词典可以找到情感词的同义词，拓展情感词典的范围。
当然，我们也可以根据业务的需要来自图中的每一个圆圈代表一个，该是在分析的数据集中首次出现的年份【注意:是此数据集中首次出现，并不是关于此主题的所有数据中】。己训练情感词典，目前主流的情感词词典有三种构建方法：人工方法、基于字典的方法和基于语料库的方法。对于情感词的情感赋值，最简单的方法是将所有的褒义情感词赋值为+1，贬义的情感词赋值为-1，进行相加得出情感分析的结果。
但是这种赋值方式显然不符合实际的需求，在实际的语言表达中，存在着非常多的表达方式可以改变情感的强度，最典型的就是程度副词。程度副词分为两种，一种是可以加强情感词原本的情感，这种称之为情感加强词，例如“很好”相较于“好”的情感程度会更强烈，“非常好”又比“很好”更强。另外一种是情感减弱词，例如“没那么好”虽然也是褒义倾向，但情感强度相较于“好”会弱很多。如果出现了增强词，则需要在原来的赋值基础上增加情感得分，如果出现了减弱词则需要减少相应的情感得分。
另一种需要注意的情况是否定词，否定词的出现一般会改变情感词原本的情感倾向，变为相反的情感，例如“不好”就是在“好”前面加上了否定词“不”，使之变成了贬义词。早期的研究会将否定词搭配的情感词直接取相反数，即如果“好”的情感倾向是+1，那么“不好”的情感倾向就是-1。但是这种简单粗暴的规则无法对应上真实的表达情感，例如“太好”是一个比“好”褒义倾向更强的词，如果“好”的值为+1，那么“太好”可以赋值为+3，加上否定词的“不太好”变成-3则显然有点过于贬义了，将其赋值为-1或者-0.5可能更合适。
基于这种情况，我们可以对否定词也添加上程度的赋值而不是简单的取相反数，对于表达强烈否定的词例如“不那么”赋值为±4，当遇到与褒义词的组合时褒义词则取负数，与贬义词的组合则取正数，例如贬义词“难听”的赋值是-3，加上否定词变成“不那么难听”的情感得分就会是（-3+4=1）。
除了条件句之外，还有一种语言表达也是需要在数据预处理阶段进行排除的，那就是疑问句。例如“这个餐厅真的有你说的那么好吗？”，虽然句子中出现了很强烈的褒义情感词“那么好”，但依然不能将它分类为褒义句。疑问句通常会有固定的结尾词，例如“……吗？”或者“……么？”，但是也有的疑问句会省略掉结尾词，直接使用标点符号“？”，例如“你今天是不是不开心？”，这个句子中含有否定词和褒义词组成的“不开心”，但不能将其分类为贬义情感。
一种需要注意的情况是转折词，典型词是“但是”，出现在转折词之前的情感倾向通常与转折词之后的情感倾向相反，例如：“我上次在这家酒店的住宿体验非常好，但是这次却让我很失望。”在这个转折句中，转折词之前的“非常好”是一个很强的褒义词，但真实的情感表达却是转折词之后的“很失望”，最终应该将其分类为贬义情感。当然，也存在出现了转折词，但语句本身的情感并没有发生改变的情况，例如“你这次考试比上次有了很大的进步，但是我觉得你可以做得更好”，这里的转折词没有转折含义，而是一种递进含义。在实际作中，我们所以需要先判断转折句真实的情感表达到底是哪个，才能进行正确的分析计算。
构建情感词典是一件比较耗费人工的事情，除了上述需要注意的问题外，还存在精准度不高，新词和网络用语难以快速收录进词典等问题。同时基于词典的分析方法也存在很多的局限性，例如一个句子可能出现了情感词，但并没有表达情感。或者一个句子不含任何情感词，但却蕴含了说话人的情感。以及部分情感词的含义会随着上下文语境的变化而变化的问题，例如“精明”这个词可以作为褒义词夸奖他人，也可以作为贬义词批评他人。
尽管目前存在诸多问题，但基于字典的情感分析方法也有着不可取代的优势，那就是这种分析方法通用性较强，大多数情况下无需特别的领域数据标注就可以分析文本所表达的情感，对于通用领域的情感分析可以将其作为的方案。
我们在机器学习算法的章节介绍过很多分类算法，例如逻辑回归、朴素贝叶斯、KNN等，这些算法都可以用于情感识别。具体的做法与机器学习一样需要分为两个步骤，步是根据训练数据构建算法模型，第二步是将测试数据输入到算法模型中输出对应的结果，接下来做具体的讲解。
首先，我们需要准备一些训练用的文本数据，并人工给这些数据做好情感分类的标注，通常的做法下，如果是褒义和贬义的两分类，则褒义标注为1，贬义标注为0，如果是褒义、贬义和中性三分类，则褒义标注为1，中性标注为0，贬义标注为-1.
在这一环节中如果用纯人工方法来进行标注，可能会因为个人主观因素对标注的结果造成一定影响，为了避免人的因素带来的影响，也为了提高标注的效率，有一些其他取巧的方法来对数据进行自动标注。比如在电商领域中，商品的评论除了文本数据之外通常还会带有一个5星的等级评分，我们可以根据用户的5星评分作为标注依据，如果是1-2星则标注为贬义，如果是3星标注为中性，4-5星标注为褒义。又比如在社区领域中，很多社区会对帖子有赞和踩的功能，这一数据也可以作为情感标注的参考依据。
第二步是将标注好情感倾向的文本进行分词，并进行数据的预处理，前文已经对分词有了很多的介绍，这里就不再过多的赘述。第三步是从分词的结果中标注出具备情感特征的词，这里特别说一下，如果是对情感进行分类，可以参考情感词典进行标注，也可以采用TF-IDF算法自动抽取出文档的特征词进行标注。如果分析的是某个特定领域的，还需要标注出特定领域的词，例如做商品评价的情感分析，需要标注出商品名称，品类名称，属性名称等。第四步根据分词统计词频构建词袋模型，形成特征词矩阵，如表所示。在这一步可以根据业务需要给每个特征词赋予权重，并通过词频乘以权重得到特征词分数。一步就是根据分类算法，将特征词矩阵作为输入数据，得到最终的分类模型。
当训练好分类模型之后，就可以对测试集进行分类了，具体的流程与建模流程类似，先对测试的文本数据进行分词并做数据预处理，然后根据特征词矩阵抽取测试文本的特征词构建词袋矩阵，并将词袋矩阵的词频数据作为输入数据代入之前训练好的模型进行分类，得到分类的结果。
采用基于机器学习的方法进行情感分析有以下几个不足之处，是每一个应用领域之间的语言描述异导致了训练得到的分类模型不能应用与其他的领域，需要单独构建。第二是最终的分类效果取决于训练文本的选择以及正确的情感标注，而人对于情感的理解带有主观性，如果标注出现偏就会对最终的结果产生影响。
除了基于词典和基于机器学习的方法，也有一些学者将两者结合起来使用，弥补两种方法的缺点，比单独采用一种方法的分类效果要更好，另外，也有学者尝试使用基于LSTM等深度学习的方法对情感进行分析，相信在未来，情感分析会应用在更多的产品中，帮助我们更好的理解用户需求，提升用户使用智能产品的体验。
随着深度神经网络等算法的应用，情感分析的研究方向已经有了非常大的进展，但依然存在着一些难题是目前尚未解决的，在实过程中需特别注意以下几种类型数据：
情绪轮在用户体验设计上被广泛的应用，很多情感化设计都是基于情绪轮进行的。但是在人工智能领域，将情绪进行多分类比情感分析的三分类任务要难得多，目前大多数分类方法的结果准确性都不到50%。这是因为情绪本身包含了太多的类别，而且不同的类别之间又可能具有相似性，一个情绪词在不同的语境下有可能表达的是不同的情绪类别，算法很难对其进行分类。即使是人工对文本进行情绪类别标注也往往效果不佳，因为情绪是非常主观性的，不同的人对不同的文本可能产生不同的理解，这使得人工标注情绪类比的过程异常困难。如何让机器可以理解真实的情绪目前还是一个未能攻克的难题。
2018全国知识图谱与语义计算大会哪个团队夺冠？
我国人工智能领域重要学术会议――全国知识图谱与语义计算大会(CCKS2018)8月14日至17日在天津举行，凭借出色的专业能力，阿里健康团队在中文电子病历命名实体识别评测任务中夺冠。电子病历结构化是让计算机理解病历、应用病历的基础。基于对病历的结构化，可以计算出症状、疾病、品、检查检验等多个知识点之间的关系及其概率，构建医疗领域的知识图谱，进一步优化医生的工作。
时区图中的每个时间段均是该时间段的所有新出现的，如果与前期共同出现在同一篇文章中将会用线联系起来，前期频次加1，圆圈变大，从而生成此图。该图确实能够从整体上反映研究路径的变化，但如果想要更全面的反映路径变化还需要结合加权时区图、逐年关注度变化、逐年增长率变化和时间加权研究热点变化等图。当然我们也可以逐年统计的变化趋势，来反映研究热点的变化，如SE软件绘制的演进图。例如，基于大医院的优质病历数据训练的辅助诊疗系统，可以在基层医院应用以提升医生的业务能力；根据症状和以往病历记录自动分析医生开出的品是否合理，预测发生误诊的概率等等。结构化的电子病历对于临床医学科研等工作也具有重大作用，医生可以更加智能地搜索相关病历，或者查看相似病历，也可以对病历进行相关统计分析，有助于医生发现潜在的知识联系，产生高水平的临床研究论文。
此次CCKS2018的电子病历命名实体识别的评测任务，是对于给定的一组电子病历纯文本文档，识别并抽取出其中与医学临床相关的实体，并将它们归类到预先定义好的类别中。组委会针对这个评测任务，提供了600份标注好的电子病历文本，共需识别含解剖部位、症状、症状描述、手术和物五类实体。
目前主流的中文实体识别方法主要沿用自英文和其他语言的通用方法，并没有把中文的特色发挥出来。而正如英文中可以根据单词的词根词缀来猜测其意义和性质一样，汉字的笔画及偏旁部首中也蕴含着大量信息。阿里健康团队以两种序列标注算法为基础，首次在医疗文本领域采用了cw2vec的方法构建词向量矩阵，基于全部的非标注文本和标注文本集训练词向量，以解决新字无法识别的问题；同时改进了汉字结构和拼音的特征的一般方案。最终，团队以严格指标0.83取得了名的好成绩。
“医疗命名实体识别只是我们团队工作的一小部分，也是我们面向医院和医生提供医疗人工智能服务的基础。”阿里健康人工智能实验室主任范绎说，阿里健康团队长期专注通过实体识别、实体链接、关系提取等手段从电子病历中识别信息，并在此基础上对信息进行融合和整合，以知识图谱的呈现形式，为其他服务提供数据基础。在此之上，基于电子病历数据，阿里健康打造了大数据科研平台、临床辅助决策引擎等针对医院和医生的多款产品，为广大医生和用户提供更加智能的用户体验，帮助其提升专业水平和工作效率。
人工智能未来的发展前景怎么样？
CiteSpace有一个亮点就是将时间因素加入到了知识图谱的绘制之中。先划分时间段，然后再合并起来一起分析，如时区图，有些文章将其命名为主题演化图，其实不太合适，该图本质呈现的是的一种演化关系，而不是主题的演化。近年来我国人工智能产业呈现出了蓬勃发展的良好态势。一是部分关键应用技术特别是图像识别、语音识别等技术，处于全球相对领先的水平，人工智能论文总量和高倍引用的论文数量，也处在梯队，据全球相对前列。二是产业整体实力显著增强。全国人工智能产业超过一千家，覆盖技术平台、产品应用等多环节，已经形成了比较完备的产业链。京津冀、长三角、珠三角等地区的人工智能产业急剧发展的格局已经初步形成。三是与行业融合应用不断深入。人工智能凭借其强大的赋能性，正在成为促进传统行业转型升级的重要驱动力量，各领域智能的新技术、新模式、新业态不断涌现，辐射溢出的效应也在持续增强，人工智能概念的火热促进了不少行业的兴起，比如域名，许多相关的.top域名已经被注册。但也要看到，在快速发展过程当中，我国人工智能的基础技术，还有较大欠缺，能够真正创造商业价值的还比较少。传统行业与人工智能的融合还存在较高门槛，有数据显示，今年人工智能领域投融资比前两年特别是跟去年相比，也有比较大幅度的下调。
人工智能应用具有领域广、渗透深的特点，在产业化方面具有独特优势，但也面临巨大挑战，尤其是在基础理论和算法方面，原始创新能力不足，在高端芯片、关键部件等方面基础薄弱，高水平人才也不足。随着全球人工智能加速发展，各国在认知智能、机器学习、智能芯片等方面将不断取得突破。
虽然“人工智能”(AI)已经成为一个几乎人人皆知的概念，但对人工智能的定义还没有达成普遍共识。人工智能这一概念最初于上个世纪五十年代首次被提发表时间不受纸刊限制，出版容量也突破了传统纸刊的束缚。便于研究成果快速传播和使用。出。自此开始，以LISP语言、机器定理证明为代表的经典技术，标志着人工智能的形成。后来，人工智能逐步发展，以越来越精准的技术走进人们的生活。这个行业也掀起一波又一波浪潮，无数人才满怀热情和期望向它进发。
[昱言]第三期人工智能第三部分：人工智能的发展前景
人工智能在教育产业有哪些应用？
高效更通用地表示时间序列的方法人工智能视觉分析技术在校园安保中发挥了重要的作用。借助于边缘智能盒子、等智能化设备，学校可以实现对重点区域、公共区域、危险区域等的可视化管控，帮助学校监测和应对入侵、打架、跌倒、聚集、吸烟、烟火等应急情况。
针对不同区域和类型，学校可以部署不同的应急检测算法，比如入侵检测、打架检测、跌倒检测、聚集检测、吸烟检测、烟火检测等。这些主题演化应该是主题间的关系，如TE软件所做出的科学主题演化图，或者利用ST软件分时间区间做的战略坐标(主题类型的划分)，见下图。算法可以对异常进行快速识别和响应，帮助学校保障师生的安全。
除了应急检测，视觉分析技术还可以应用于学校安保中心部署人员离岗、值岗检测算法，监测安保人员的工作状态，确保值班人员始终保持警觉和专注，及时发现和处理异常情况。
此外，视觉分析技术还可以在教室、实验室、场、走廊等区域实时识别、计算、分析学生的行为态势，比如运动、课间活动时出现跌倒、摔跤，甚至做出危险动作、打架斗殴等。通过对这些行为态势的分析，学校可以及时发现并采取措施，防止发生，提高学校安全管理水平。
wsdm是什么级别会议
广告wsdm是会议。
主题演化应该是主题间的关系，如TE软件所做出的科学主题演化图，或者利用ST软件分时间区间做的战略坐标(主题类型的划分)，见下图。WSDM是信息检索与数据挖掘领域的会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉。2021年1月至今，高瓴人工智能学院已发表或被录用CCF A类期刊和会议论文67篇、CCF B类期刊和论文34篇。
在会话搜索中，利用用户和搜索引擎之间的历史交互来提高文档检索的效率是十分重要的。但并非所有历史信息都有助于候选文档的排序。实际上，用户在修改每一个查询的过程中经常会表达自己的偏好，这可以帮助我们在历史交互中捕捉有用的信息。
知识图谱作为重要资源已被广泛应用于信息检索，系统，自然语言处理等各领域。但知识图谱通常面临着不完整的现象。知识补全旨在利用知识图谱的结构化信息预测知识图谱中丢失的三元组，已然成为知识图谱领域的研究热点。而实体类型预测是补全知识图谱的有效手段。
1、字典方法，找时序分段的特征值。
2、形状方法，找时序分段的特殊波形。
3、聚类方法，找时序分段的分类特征。
基于以上背景为出发，为了描述时间序列的动态信息，同时提供可解释的模型表示用于异常检测，该论文尝试将Shapelet映射回时序中, 探寻位置的敏感度，并随时间累积转移关系，构建Graph进行表示，形成一种可推理可解释的方法用于时序建模与异常分析。
图计算引擎Neo4j和Graphscope有什么区别？
连线表示两关键出现在同一篇或多篇文章中。Neo4j是单机系统，主要做图数据库。GraphScope是由阿里巴巴达摩院智能计算实验室研发的图计算平台，是全球一站式超大规模分布式图计算平台，并且还入选了中 国科学技术协会“科创中 国”平台。Graphscope的代码在github/alibaba/graphscope上开源。SSSP算法上,GraphScope单机模式下平均要比Neo4j快176.38倍，最快在datagen-9.2_zf数据集上快第三种需要注意的情况是条件词，如果一个条件词出现在句子中，则这个句子很可能不适合用来做情感分析，例如“如果我明天可以去旅行，那么我一定会非常开心。”，在这句话中有明显的褒义情感词，但是因为存在条件词“如果”，使得这个句子的并没有表达观点持有者的真实情感，而是一种设。了292.2倍。
时区图的背景图怎么改
如果后来的年份又出现了该，那么该会在首次出现的位置频次加1，出现几次，频次就增加几次。所以就可以解释为什么1998年，文献量很少，而“数据管理”和“高校图书馆”圆圈这么大的原因了。本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
此种方法合不合理呢？上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
回答于 2022-11-13
抢首赞
钢管抛光优选三磨海达，行业老牌厂家
值得一看的抛光相关信息
钢管抛光优质厂家:重庆三磨，专业提供不锈钢打磨，液压油缸打磨，外圆，内圆，线材，管道，钢管等的磨削抛光，钢管抛光品质效果过硬，值得信赖!
重庆三磨海达磨床有..广告
金属抛光设备-淘宝热卖好物汇集，品牌众多，放心购!
高精密涡流光饰机立式精抛光金银首饰镜面抛光机干湿两用研磨设备
￥13500 元
滏镕平面抛光机打磨机金属抛光拉丝机金属抛光机平面抛光机打磨机
￥1000 元
金相磨抛机优质专业
￥2200 元
simba.广告
专业摄影技术_摄影培训学费多少钱?
专业摄影技术-国内知名导师领衔教学团队，毕业后面向全国就业，专业摄影技术上市品牌值得信赖!快来咨询老师报名吧!
PPT背景怎么修改
要想修改PPT背景，一般需要通过在PPT内【设置背景格式】来完成。下面让我以Microsoft PowerPoint 2019为例向大家演示一下具体作步骤。步：打开需要修改的演示文稿，在背景处单击鼠标右键，选择【设置背景格式】选项。第二步：在页面右侧菜单栏选择【或纹理填充】选项。第三步：点击【源】下方的【插入】选项。第四步：在弹出的对话框中选择【来自文件】选项。第五步：根据自身需要选择要替换的，点击对话框右下角的【打开】选项。第六步：可以看到演示文稿的背景已经根据需要修改完毕。小贴士：演示文稿的背景除可以设置为之外，还可以使用纯色、渐变和图案等多种填充方式，都可以在页面右侧的菜单栏中根据自身需要进行设置。
Linux400
328浏览
更多专家
时区图的背景图怎么改
专家1对1在线解答问题
5分钟内响应 | 万名专业答主
马上提问
最美的花火 咨询一个电子数码问题，并发表了好评
lanqiuwangzi 咨询一个电子数码问题，并发表了好评
garlic 咨询一个电子数码问题，并发表了好评
1888493 咨询一个电子数码问题，并发表了好评
篮球大图 咨询一个电子数码问题，并发表了好评
动物乐园 咨询一个电子数码问题，并发表了好评
AKA 咨询一个电子数码问题，并发表了好评
海报怎么做
海报的名称，起源于上海。现在，海报和广告一样，具有视觉传达的功能，它通过版面的构成与设计，要将、文字、色彩、等要素进行完美的组合以扩大宣传的力度。海报从内容上可以分为电影海报、个性海报等。这里就通过PS软件来合成一张个性海报。自己动手做一张有个性的海报，在设计海报时有自己的创新，这样就做出不错的海报效果。参考以下的海报合成教程，设计思路明确，制作步骤简单。大家很快就可以将海报合成了。1根据海报类型，找到相关素材，在PS中打开。自己动手做一张有个性的海报前，要根据海报的类型，查找相关素材。比如游戏类的海报，那么就要找到合适做游戏类背景图。这里找了张深林的作为背景。（打开PS软件，新建一个文档，打开素材，将深林到新建的文档上，可作为海报的背景图。）2 根据海报主题，找到合适的。有了海报的类型后，还有确定游戏海报的主题，这里设计一个【梦幻深林】的游戏主题，根据梦幻的，查找合适的，这里找了四张素材。3 PS软件将素材都选取出来，为合成海报做准备。 四张素材本身都有背景层，需要将选取出来。（在PS软件的左边工具栏上，鼠标左键单击魔术棒工具，将素材图选取出来后，到新的图层上。）4 将素材图放入新建的文档中，调整素材的大小比例。 可以把素材图在新建文档里，都新建一个图层用来存放，这样方便对每一张素材图进行大小比例和位置的移动。5根据海报的主题，调整素材图位置。好的素材如果摆错了位置，不仅不能突出主题，反而容易混淆。此时，根据背景图、素材图的关系先摆放大概位置，然后处理素材图之间前后关系，增强的层次感和空间感。6 海报的标题的文字对齐，合并图层。 如果只有，大家不能明确海报的主题，此时就要把海报的标题放入中，这里的标题是【梦幻深林】。将文字在中对齐，并且用竖排文字。体现古代氛围。（鼠标左键单击菜单【图层】>>【拼合图层】，此时背景层和素材图层就合并在一个图层里了。）7海报合成后，调整的色阶，保存文件。 当海报合成后，可以调整的色阶，这样就会有不同的效果。（鼠标左键单击菜单【图像】>>【调整】>>【色阶】，可调整到色彩光影合适的效果。）然后保存文件。以上就是海报合成教程
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
下面，我们先来了解下网络首发出版模式。网络首发出版模式对文献计量的影响不容低估！
什么时网络首发？
网络首文被认定为正式出版论文。经编辑部和《学术期刊(光盘版)》电子杂志社审核，可在知网提前在线发布。案例图如下：
网络首发的好处？
网络首发对文献计量的影响？
【1】重复问题
有时知网里同一篇文章会同时出现【网络首发】和【非网络首发】两条题录，导致在做文献计量分析时重复统计，而现有软件没法去重。
【2】时间问题
网络首发题录信息里没有时间，导致做文献计量时出现错误，而现有软件没法解决。COOC软件除外。
做文献计量分析时，以上两个问题一定要注意，否则会出现错误。比如，由于网络首发缺失时间，CiteSpace软件会将2022年网络首发的文献默认设置为1900年，而Vosviewer在做时间分析时也不会考虑这种问题。另外，上述软件均没法进行去重。
而很多文献计量的文章（包括已经发表的文章）经常不注意以上两点，不知道自己做的其实是错误的分析。
针对上述两个问题的解决方案：
(2)利用COOC版软件提取，补充时间即可。
且最重要的：
做文献计量数据预处理阶段的5大问题，见推文：CiteSpace共现图谱含义详细解析与注意事项
以后再做文献计量所用的软件应该是COOC+CiteSpace或者COOC+VOSviewer。如果你想做出更好看的网络图谱，还需要结合NSS软件。如果你有一些文本型数据，但是想用CiteSpace、VOSviewer等软件作图，那么你还需要结合TM文本挖掘软件。
本文主要讲解一下CiteSpace绘制的时区图，即的时区图是怎么生成的，其他高级图谱以后再讲。
上图的数据集时间区间是1998-2018
圆圈
因为，之后论文中出现的“数据管理”和“高校图书馆”均在1998年进行了累加。
该图显示的仅仅是目标领域首次出现的时间和从整体视角来看的研究热点（研究热点通过频次显示，但是CiteSpace统计的频次是阈值裁剪后的频次，并不是总频次，见推文：CiteSpace共现图谱含义详细解析与注意事项）。
该图无法反映这些热点（）的大致年份分布，如果需要反映研究热点的平均年份分布此时CiteSpace就无能为力了，需要借助COOC或VOSviewer软件进行图谱绘制，其中COOC也可以绘制时区图，具体见下文。
线条
圆圈代表着，线条代表着之间的联系。但在该图中线条存在的意义并不大，不是我们分析的重点。
这里的线条就是之间的共现关系。
例如1998年的“数据管理”和2008年的“科学数据管理”同时出现在了2008年的某一篇论文中，那么“数据管理”和“科学数据管理”之间便存在一条联系，这条线从1998年连到了2008年。
总结：
存在的问题1
CieSpace绘制的时区图有一个问题，就是每个时间区间展示的数不能太多，否则图就会很乱，比如本文开头我们做的图，虽然看着挺不错的，但是每个时间区间所展示的数有限（PS.这张图竟被很多人盗用，用于他们的宣传），特别是出现的由于频次相对较低，无法在图中显示出来，使我们无法挖掘出的前沿。
上文说了，在时区图中线条存在的意义并不大，不是我们分析的重点。所以我们可以利用COOC软件的时区图功能进行绘制，虽然COOC做出的时区图没有CiteSpace好看，但其展示的每年数以及最前沿方面优于CiteSpace，见下图。
该图也是时区图，但是其可以全面反映更多的以及，而不仅仅是那些高频。
因为随着网络首发的推广，很多的论文缺失年份信息，而CiteSpace会把缺失年份的论文默认设置为1900年，导致出错。
图计算引擎Neo4j和Graphscope有什么区别？
(1存在的问题2)利用COOC版软件去重Neo4j是单机系统，主要做图数据库。GraphScope是由阿里巴巴达摩院智能计算实验室研发的图计算平台，是全球一站式超大规模分布式图计算平台，并且还入选了中 国科学技术协会“科创中 国”平台。Graphscope的代码在github/alibaba/graphscope上开源。SSSP算法上,GraphScope单机模式下平均要比Neo4j快176.38倍，最快在datagen-9.2_zf数据集上快了292.2倍。
该不该坚持学习Machine Learning
一句话，“对新手来说，一边学语言一遍写机器学习算法代码难度是很高的”。这句话有一定的参考价值。Machine Learning的前景怎么样？
Machine Learning作为统计学的一个分支，最近好像特别吃香，请大神们解疑，Machine Learning具体是干什么的，前景什么样？
正好刚回答过类似的问题，直接引用下吧
Machine Learning现在是一个很火的研究方向。机器学习是研究计算机怎么模拟人类的学习行为，并且能组织已有的知识构架使之不断完善的性能的学科。 是人工智能的核心，是使计算机具有智能的根本途径。 与其说是统计学的分支，不如说是统计学，计算机科学，信息科学的交叉分科。其涉及的知识面很广，涵盖了工智能、哲学、信息论、生物学、认知科学、计算复杂性等众多领域的专业知识。现在存在的一些计算器系统是没有学习的能力的（或者是有的已有了特别局限的学习能力？），因而是不能满足生产的需求的。随意随着科技的发展，machine Learning肯定会得到长足的发展的。只是，machine Learning也有许多发展方向，不是每个方向都发展的起来。
附上这篇文章的链接吧：
数据挖掘和深度学习（deep learning）哪个更有发展前景？
我再补充下Machine Learning的研究目标吧：
认知模型——即是3M认知模型，是人类对真实世界进行认知的过程模型。认知是个系统的过程，其中包含感知，记忆，判断与学习。因而完成这个认知过程，是个一及其艰难和浩大的工程。
通用学习算法——像是大家熟知deep Learning就是Machine Learning中的一种比较深的算法。 其实很多ML算法都是非逻辑性的，输入的信息数据通过数学模型而得出一个新的工具，其实可以说是建立一个人工识别号的数据库。
构造学习系统的方法（面向任务的）——其实就是研究如何通过 环境向系统的学习环节提供某些信息。
先说这么多吧，有空的话做个图解释下ML的方，觉得还是解释比较抽象，多多包涵吧。 Machine Learning是一门多领域的交叉学科，除了像最常见的统计学、逼近论、算法复杂度分析理论等，也包括一些与生物领域的科学相关的问题，比如说最常见的人工神经网络中的各类神经元与链接方式都是仿照人脑进行作的、以及遗传算法中模拟基因突变的过程等。
机器学习主要就是研究计算机如何模型或实现像人一样的思维方式去学习知识，通过对新问题的反馈机制，修改或优化自己已经学习到的知识。其是人工智能的核心，也就是说，人工智能非常依赖机器学习的好坏与优良程度。
机器学习的方法以及其效果的好坏对于人类未来的发展至关重要，如果效果很高的话，至少可以替代人工做的一些重复的体力劳动，并可以根据特殊情况进行一定的反映。因此，就前景而言还是很好的，尤其是在现在这个大数据时代，越来越多的人类行为相关数据被记录在案，为机器学习提供了基础内容。此外，机器学习所产生的一些成果，已经应用于许多领域，包括数据挖掘、自然语言处理等等。
虽然机器学习已经取得了一定的突破，但是还是没有达到人工智能的程度，因此有许多问题是需要研究和发展的，因此，未来的发展也是充满机遇与挑战的。Machine Learning是个不错的领域，如果想要进入的话，建议多学习一些基础思想和编程。 机器学习已经越来越平民化了(democratizing)，数学和算法并非一定要很深厚功力，大多通用算法都是现成的，比如微软Azure Machine Learning平台已经有很多打包的示例，如用来分析customer churn的示例等。至于operationalization（不知道怎么翻译），现在也没这么难了。
我觉得如果只是应用机器学习来处理现实问题，最难的还是怎么把通用算法和自己公司的现实问题联系起来，比如怎么定feature，用哪种model，另外怎么评价最终效果等等。难的是深入理解企业的实际业务，而非技术和算法。
个人认为趋势是随着machine learning平台的成熟以及通用场景的算法普及，data scientist这个称号会逐渐平民化甚至消失，你搭个回归模型之类的就像使用Excel处理一些数据这样简单。一个PM或者销售可以自己做这事而不需要养一个专门的职位。 机器学习的应用在工业界需求很高，有过工作经验的人可以很轻松的找到工作，供给远远小于需求，而且需求越来越大。
但是招 New Grad (PhD 可以考虑) 相对较少。原因很多，简单来说，就是 New Grad 往往工程经验不够，学术能力也不够。工业界的现状不复杂：大公司搞机器学习的组大、人多、要求高，PhD 是进入的门槛；小公司人少，每个人都要独当一面，因此必须要有过搭建实际机器学习系统的经验。因此如果两边都没有优势的话，自然找工作比较吃力。
因此，对于有志于做这个方向的同学来说，建议找工作时调整心态，份工作尽量找到工作职责与机器学习相关的组，而不必追求一步到位。人生的职业生涯很长，做好3到5年的职业生涯规划，积累实际工作经验，不断学习与强化自己。人与人的距并不会在份工作中体现，而是在前几年逐渐显现出来。 机器学习早期发展是遵循实用主义糙快猛的路线。基本步骤就是靠直觉构造一个优化目标，然后解这个优化问题。数学工具基本上线性代数和凸优化也就够用了。再深一点涉及博弈论，随机过程，微分方程，测度论，实分析，泛函分析，李群等。
这个学科发展很快，长期处于理论跟不上实践。当前的发展势头，已经到了一个工科那点数学不太够用了的阶段。很需要一批数学大牛来披荆斩棘一下。很多这个领域的人认为过多的数学没必要，其实是因为这些人数学菜。我就看到过用代数几何的方法(resolution of singularity, blow-up)漂亮的解singular model的问题。可惜很少人follow。 总之很多问题是到了需要引入高级数学工具才能漂亮解决的地步了。比如各种不变性和等价性需要黎曼几何，各种ill e singular问题需要代数几何。
结局就是：还是好好去学数学吧。。。。。。 提几个可能的有关机器学习当中的深度学习发展方向，同时也就是尚待解决的问题：
1.让深度学习自动调超参。
最近看到有人在一个AI群里推广自己的一篇论文《Deep Q-Networks for Accelerating the Training of Deep Neural Networks》，大致是用强化学习的方法训练一个来自动控制学习率以及在一个batch中各个类的样本占比。虽然它那篇论文问题很大，训练出来的极其不通用，只能用在它原本的任务上，但是感觉很容易解决掉，这个另说。想象一下，如果能够训练出一个通用的，对于各类任务都能够自动调整超参（或者只在某个子领域比如图像分类做到通用也好），那我们就再也不用自称调参狗了，同时也可以解放出更多的时间用于设计模型、验证架构，想必深度学习的发展步伐会得到极大加速。
2.自动学习网络架构。
其实说起来这个问题也可以归入自动调超参，但是感觉应该还是有很大的不同。说起来无非就是两个方面，一是加法二是减法。加法方面可以参考《Net2Net: Accelerating Learning via Knowledge Transfer》，这篇是让自动根据需要自动拓展架构，包括横向的增加filter和纵向的增加layer。减法方面可以参考各类Network Compression（网络压缩）的论文中的所谓Network Pruning（网络剪枝），比如《Deep Compression - Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding》，虽然这些论文出发点不在于自动学习网络架构而在于压缩网络规模，而且它们往往是在训练收敛之后才对网络进行裁剪而非边训练边裁剪，但是感觉只需要再跨一步就可以了。我个人觉得，自动学习网络架构需要解决的最根本问题就是“应该在什么时机进行架构变动”以及“应该怎么变”，第二个问题感觉上述论文算是回答得可以了，但是个问题似乎还有很多可以探索的地方。对于个问题，似乎强化学习就很适合解决，因为显然可以把它看成一个控制问题。
3.迁移学习。
众所周知，深度学习的直接训练依赖大量数据，而transfer和finetune能够有效利用数据量大的外部任务训练出来特征来迁移到数据量小的目标任务上，使得目标任务对于数据量的要求大大减小。现在的问题在于，迁移学习的思想现在大家其实都在用，很多论文中都可以看到finetune的做法，但是对于两个任务之间需要“多像”才能够迁移这么一个问题还没有一个很好的回答。即使我们不奢求能够给出一个严格的数学理论，至少，如果有人能够做一个非常系统的对比实验，总结出一些规律，使得我们有信心说在如何如何这样一个边界内的任务都是基本上可以transfer的，那将会是一个很大的进步。这个问题也可以这么看，如今我们应该有信心说两个图像分类任务可以transfer，但是这个边界太过狭窄，我个人期待的就是能够有一套理论或者方使得这个边界大大拓展，然后在这个边界内我们可以像对两个图像分类任务一样自信满满地用迁移学习。
4.无监督／半监督学习。
像LeCun等大佬其实一直在鼓吹这方面，但似乎还没有搞出像当年（AlexNet）、最近强化学习（阿法狗）这样级别的大来。我理解在这个问题上的努力方向应该是确定“何种representation最有用”。具体来说，就是找到一个指标，然后用深度网络优化这个指标，使得满足这个指标的data representation能够具有非常好的特性。再具体一些，下面举三个实际例子：
autoencoder以重构损失作为指标来学习一个representation。
之前听一个讲座，演讲人介绍他的论文《Why Deep Learning Works: A Manifold Disentanglement Perspective》IEEE Xplore Abstract，其中定义了三个指标来描述深度网络每一层中data representation的“蜷曲程度”，并发现，越高层的数据蜷曲度越低，换言之，越平展。那么无监督学习是否能够直接以这个蜷曲度作为损失函数来学习一个representation呢？
这篇论文《Context Encoders: Feature Learning by Inpainting》提出通过预测周边上下文像素来无监督学习视觉特征，感觉很像word2vec从一维变成二维。
除了上述的重构损失、蜷曲度、预测上下文精度，还有没有别的指标学习出来的representation更好呢？个人认为这些问题就是推动无监督／半监督学习进展的关键所在。
5.基于外部存储（external memory）的模型。
如果说RNN、LSTM这样的模型属于internal memory / long-term memory的话，那么以神经图灵机（Neural Turing Machine）、记忆网络（Memory Network）为代表的模型就应该称为external memory / really long-term memory了。不过这两个模型刚出来的时候还太过，只能做一些很无聊的task，比如序列和排序以及非常简单的QA，但是现在已经开始看到它们被用到更加实际的问题上面，例如One-shot Learning：《One-shot Learning with Memory-Augmented Neural Networks》。往大了说，如果未来要实现强AI，这种外部存储的机制肯定是必不可少的。现在的问题在于，神经图灵机和记忆网络用的外部存储虽然比LSTM那样简单的一个hidden state向量更进一步，但也其实就是很简单的一片矩阵，没有任何结构和层次可言，换言之，就是还不够复杂。所以我猜想接下来可能external memory会和知识图谱（Knowledge Graph）结合起来或至少是向知识图谱类似的做法靠拢，因为知识图谱更加结构化。 咳咳，路过，进来小小的装一下。本人现在大三，所以说在这个话题上可能并没有什么话语权，不过因为最近再跟老师搞项目，正好是这方面的，戳进来分享一下感受吧。
是：机器学习前景很好。这是真的，最近看了很多论文，有关数据挖掘数据分析类别的，里面用到的百分之八九十都是机器学习，这可能也是人工智能发展的需求吧，人工智能无非是模仿人类，而人类最开始也是对世界充满了无知，通过学习才慢慢认知这个世界的，个人感觉这就是为什么机器学习会被提出来吧，像真的实现人工智能就要从根源开始模仿人类，也就是从学习这个技能上入手。
说完了这个想说的是为什么前景好呢，上面说过的用途和提出愿景好是一方面，另一方面是因为这方面人才还比较少，其实这也是一种发展前景吧。就像前几年计算机刚刚火起来的时候那些最早接触计算机的人突然就变得很出名，然后上一大部分人都涌入到这个领域中，这是一个道理。机器学习现在还处在起步阶段，下一阶段怎么发展决定于人们对他的研究深度和重视程度。就目前人工智能不断得到重视来看，应该还是很有发展前景的，说不好会成为继计算机时代后的又一个新的时代。
以上观点仅仅是个人观点，我觉得至少在短时间内这个研究方向只会更火不会被冷，就像大数据一样，同样也有人在不断质疑大数据的发展，不过目前发展的还是很好的不是吗？
---------------------------------
2016 机器学习之路：一年从无到有掌握机器学习
译者：闻菲 今天是2016年9月12日AI WORLD 2016世界人工智能大会倒计时 36天启航期5折抢票倒计时 7 天
【导读】程序员 Per Harald Borgen 在 Medium 刊文，介绍了他在一年的时间里，从入门到掌握机器学习的历程。Borgen 表示，即使没有博士学位和高深的数学造诣也能掌握机器学习。这一点相信对不少人都挺有吸引力和启发。不过，博士学位或许真的并非必须，但要掌握机器学习，学再多的数学也不会嫌多。下面就来看 Borgen 不脱产，从菜鸟变熟手提升业绩的故事。
步：Hacker News 和 Udactiy
Borgen 对机器学习的兴趣始于 2014 年。跟很多人一样，他最初是看到 Hacker News 的帖子，单纯觉得教计算机学东西很酷。那时候他还只是个业余的编码爱好者，连程序员都谈不上。
于是，Borgen 开始了他的机器学习之路。首先，到 Uadcity 看监督学习的视频，然后阅读所有能找到的、跟机器学习有关的读物。
Borgen 总结说，“这给了我一点概念上的理解，不过没有实践技巧。”
同时，他也十分坦承，Udacity 的 MOOC 他并没有上完——只要是 MOOC，他几乎都没有坚持上完过。这一点，无论怎么说，至少让篇文章的置信度倍增。
第二步：挂掉 Coursera 机器学习课 2015 年初，Borgen 为了成为正式的开发人员，参加了 Founders and Coders（FAC）在伦敦的训练营。在 FAC，他和同学一起，每周二晚上会看 Coursera 上机器学习课程的视频。
不用说，大名鼎鼎的吴恩达的机器学习课。Borgen 表示课很赞，学了很多，然而他个人觉得这门课不适合新手。至少他自己，就需要反复看视频才能掌握里面讲的概念——当然，这是 Borgen 的个人感受。不过，Borgen 在 FAC 学的同学也一个个掉队，最终他自己也挂掉了。
Borgen 总结说，他当时应该学一门用机器学习库编代码的课，而不是从零开始建算法，至少应该用他已经知道的编程语言写算法。
Borgen 的建议是，可以选择 Udacity 的《机器学习入门》（Intro to Machine Learning），更容易入门，上来就能实践，在提升经验值的过程中，学习的趣味性也会增多。
【经验】从简单的实践学起，之后再学困难的、偏理论的东西。
第三步：一周学会机器学习 Borgen 在 FAC 做的一件事情，就是“一周学会机器学习”。他的目标是，一周以后能够实用机器学习解决实际问题，而他也成功做到了这一点。
具体的经验 Borgen 写在了另一篇文章里。有兴趣进一步了解，可以访问：
简单说，在一周的时间里，Borgen 做了以下几件事情：
学会了 Scikit Learn
在真实世界数据库跑了一次机器学习
从零（用 Python ）写了一个线性回归算法
做了一点儿 NLP 【经验】腾出一周时间来全身心地沉浸到机器学习里面去，效果惊人。
第四步：挂掉神经网络 成功在一周的时间里拿下机器学习给了 Borgen 自信。因此，在他结束 FAC 回到挪威时，他进行第二次挑战——一周内学会神经(1)利用COOC版软件去重网络。
然而，事实是残酷的。离开 FAC 那种 沉浸式学习环境后，要一天写 10 小时的代码可不容易。
【教训】找一个合适的环境做这种事情。
不过，Borgen 到底还是学上了神经网络。去年 7 月份的时候，他写完了一个网络的代码。虽然很粗糙，但完成比完美重要，对吧？
下半年，Borgen 换了一份新工作，这在某种程度上影响了他的机器学习学习进展。这一阶段他主要做的是实现神经网络，他把大学时学的线性代数重新看了一遍。年底时，Borgen 写了篇总结：
《学习如何编写神经网络代码》
也是在这篇文章里，Borgen 记录了他从零开始写代码的过程。这篇文章在 Medium 上点赞的数量接近 600。
第四步：在 Kaggle 竞赛中实践 2015 年圣诞节，Borgen 参加了 Kaggle 竞赛。当然，实践的效果是显著的，他得到了通过算法和数据实际迭代实验的经验，也学会了在做机器学习项目时要相信自己的逻辑，“如果调参或特征工程从逻辑上看有用，那么一般都会有用”。
第五步：在工作中建立学习的习惯
2016 年初，Borgen 想将他在去年年底获得的动力持续到工作中，便询问是否能在上班时学新的东西——答应了。虽然 Borgen 在文中没有多写，实际上，从这个经历中也能学到东西：
勇于提出需求，它们才有机会得到满足——当然，你的需求需要合理。
于是，Borgen 就在上班时也能学机器学习啦（拿钱做想做的事情！）。在 2016 年积累了相关经验以后，Borgen 的站是 Uadcity 的深度学习课程。然而，事实证明，对于现在的他来说，Udacity 的这门课已经太浅。不过，课后的 Ipython Notebook 作业却太难。Debug 浇灭了他的大部分兴趣。又一次地，一门 MOOC 被他放弃。
但随后，Borgen 发现了斯坦福的 CS224D，这门课让他获益匪浅。Borgen 总结斯坦福 CS224D 的好处是：
尽管难，但做题从来没有 debug；
课程提供，便于加深理解。 尽管 Borgen 仍然没有把这门课上完，但他有兴趣的人去学。
另外，Borgen 在学这门课的过程中，为了完成题目，请了一位家教，时薪 40 美元，这位家教帮他发现了很多问题。因此，他得到了这么一条经验。
【经验】花 50 美元/时的金额聘请机器学习家教，得。（如果你有机器学习经验，你可以获得时薪 50 美元的打工机会。）
学以致用，提高销售额 Borgen 在工作中实践机器学习，他搭建了一个系统，节省了公司销售部门同事的很多时间。相关代码：
以上就是 Borgen 在实际工作中一年掌握机器学习的历程。不管带不带感，至少十分真实。Borgen 在文章末尾写道：“如果我做得到，你也做得到。”
尤其是工作中的程序员，你不想试试吗？