NLPにおけるQuestion Answeringについて、ざっくりまとめ - エイエイレトリック
Kaggleで NLP のコンペ、TensorFlow 2.0 Question Answering がはじまりました。 Question Answering (質問応答) といえば、 IBMの開発したWatsonや、Siri・AlexaといったAIアシスタントなどで、みなさんにも馴染み深いタスクですね。 KaggleでQAが盛り上がることを予想して、 Speech and Language Processing (SLP) の Question Answering の章をざっくりまとめます。 ぶあー書いたので、誤字脱字・間違いがあればご指摘いただけると幸いです。 SLPについて Introduction IR-based Factoid Question Answering Question Processing (質問文に対する処理) Query Formulation (クエリの定式
New benchmarks for approximate nearest neighbors
New benchmarks for approximate nearest neighbors 2018-02-15 UPDATE(2018-06-17): There are is a later blog post with newer benchmarks! One of my super nerdy interests include approximate algorithms for nearest neighbors in high-dimensional spaces. The problem is simple. You have say 1M points in some high-dimensional space. Now given a query point, can you find the nearest points out of the 1M set?
GitHub - nmslib/nmslib: Non-Metric Space Library (NMSLIB): An efficient similarity search library and a toolkit for evaluation of k-NN methods for generic non-metric spaces.
Non-Metric Space Library (NMSLIB) is an efficient cross-platform similarity search library and a toolkit for evaluation of similarity search methods. The core-library does not have any third-party dependencies. It has been gaining popularity recently. In particular, it has become a part of Amazon Elasticsearch Service. The goal of the project is to create an effective and comprehensive toolkit for
Mean reciprocal rank - Wikipedia
This article needs additional citations for verification. Please help improve this article by adding citations to reliable sources. Unsourced material may be challenged and removed. Find sources: "Mean reciprocal rank" – news · newspapers · books · scholar · JSTOR (June 2007) (Learn how and when to remove this message) The mean reciprocal rank is a statistic measure for evaluating any process that
Microsoft Concept Graph and Concept Tagging Release
Our mental world contains many concepts about worldly facts, and the Microsoft Concept Graph tries to duplicate them. It is a big graph of concepts, which is harnessed from billions of web pages and years' worth of search logs. See more details In the demo, you can input a single instance, and the return result is the its concept distribution with different scoring functions. Try the demo We provi
大規模データのマイニング - 共立出版
ウェブやインターネットコマースの隆盛によって、とてつもなく巨大なデータセットが出現し、そして、データマイニングによってそれらから情報が抽出されている。 巨大なデータに対するマイニングにおいては、従来から知られているアルゴリズムがそのままでは機能しないことが多い。巨大なデータを扱う上でこれまでとは違った処理戦略や技法が必要となる。 本書はデータマイニングにおいて重要な問題の解決に使われてきており、さらに巨大なデータセットに対しても使用できる実用的なアルゴリズムを、データベースやウェブ技術の分野で著名な原著者が解説する。 まず、データマイニングの本質や、データマイニングがどのように扱われているかを概観する。次に、今後非常に大量のデータの解析を行う際に、クラウドコンピューティングとともに重要視されると考えられ、この後の章の議論に必須のものとなるマップレデュースを解説する。その後、類似するアイテム
Hervé Jégou — Hervé Jégou
I am a former student of the Ecole Normale Superieure de Cachan, holding a M.S. (2002) and PhD (2005) from University of Rennes I. During my PhD, I worked on error-resilient compression and joint source channel coding. After that, I turned out to Computer Vision and Pattern Recognition. I joined the LEAR group (INRIA Grenoble) as a permanent researcher in 2006, and moved to INRIA Rennes in 2009. I
Yasushi Sakurai (Japanese)
櫻井 保志 (さくらい やすし) English version of this page is here. 連絡先 〒619-0237 京都府相楽郡精華町光台2-4 NTTコミュニケーション科学基礎研究所 yasushi.sakurai [AT] acm.org 略歴 1987年 同志社香里高等学校 卒業 1991年 同志社大学 工学部 電気工学科卒業， NTT 入社 1996年 奈良先端科学技術大学院大学 情報科学研究科 博士前期課程修了 1999年 博士後期課程修了，工学博士 現在，NTTコミュニケーション科学基礎研究所に所属 主な研究課題 高次元ベクトル空間のための索引技術 時系列データのための索引技術 データストリーム処理 主要論文 受賞 学会活動 Yasushi Sakurai (yasushi.sakurai [AT] acm.org)
Latent Semantic Indexing - naoyaのはてなダイアリー
情報検索におけるベクトル空間モデルでは、文書をベクトルとみなして線形空間でそれを扱います。この文書ベクトルは、文書に含まれる単語の出現頻度などを成分に取ります。結果、以下のような単語文書行列 (term document matrix) が得られます。 d1 d2 d3 d4 Apple 3 0 0 0 Linux 0 1 0 1 MacOSX 2 0 0 0 Perl 0 1 0 0 Ruby 0 1 0 3 この単語文書行列に対して内積による類似度などの計算を行って、情報要求に適合する文書を探すのがベクトル空間モデルによる検索モデルです。 見ての通り、単語文書行列の次元数は索引語の総数です。文書が増えれば増えるほど次元は増加する傾向にあります。例えば索引語が100万語あって検索対象の文書が 1,000万件あると、100万次元 * 1,000万という大きさの行列を扱うことになりますが、単
潜在変数 - 機械学習の「朱鷺の杜Wiki」
2025-06-07 人工知能学会全国大会 2025-05-30 しましま/人工知能学会全国大会2025 2025-01-31 PRML/errata2 PRML/errata1 2024-12-21 しましま/IBISML055 2024-11-07 しましま/IBIS2024 2024-11-04 IBIS 2024-05-31 しましま/人工知能学会全国大会2024 2024-04-13 python 2024-04-09 K-NEL K-NEL/errata 2023-11-01 しましま/IBIS2023 2023-06-11 しましま/人工知能学会全国大会2023 2023-03-28 Book 2022-11-27 朱鷺の社 2022-11-24 しましま/IBIS2022 2022-07-08 AutoTicketLinkName 2022-06-17 しましま/人工知能学
FM-index - Wikipedia
In computer science, an FM-index is a compressed full-text substring index based on the Burrows–Wheeler transform, with some similarities to the suffix array. It was created by Paolo Ferragina and Giovanni Manzini,[1] who describe it as an opportunistic data structure as it allows compression of the input text while still permitting fast substring queries. The name stands for Full-text index in Mi
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Cascading Bandits: Learning to Rank in the Cascade Model
Matrix factorization for recommender systems (part 2) · Data Science notes
Replicable Evaluation of Recommender Systems
Learning to rank for IR
TechCrunch | Startup and Technology News
乱択データ構造の最新事情 －MinHash と HyperLogLog の最近の進歩－
Joint Inverted Indexing
Fast Approximate Nearest Neighbor Search — OpenCV 2.4.13.7 documentation
Normalized Google distance - Wikipedia