：lifelong learning的aspect抽取工作研究
：improving opinion aspect extraction using semantic similarity and aspect associations
使用dp（dependency）的語法規則的挖掘方法，有很大的提公升空間在於，無法同時兼顧precision和recall，所以提出利用語義相似性和關聯關係對後補aspect進行推薦補充。
演算法過程如圖，其中1,2分別使用訓練好的dp提取器，各自具有較高的precision和recall，然後從全集中進行推薦，推薦分別基於語義相似性和關聯程度。
語義相似性使用word vector計算每個t中的t-中的某個item的相似度大於閾值。向量有review資料訓練。
關聯關係，取樣事務資料庫挖掘規則，分為前序和後續規則，（沒看懂，但不重要）
總體而已，aspect extraction是基於規則（crf，dependency等）的任務。考慮語義和關聯的，能不能引入話題模型呢？
語義SLAM的資料關聯和語義定位（一）
語義slam和多感測器融合是自動駕駛建圖和定位部分比較熱門的兩種技術。語義slam中，語義資訊的資料關聯相較於特徵點的資料關聯有所不同。我們一般用特徵描述子的相似性來匹配和關聯不同影象中的特徵點。特徵點的描述子會受到光照 視角和感測器的影響，不太適用於大尺度長週期的任務，比如自動駕駛的高精度地圖。得...
訊息佇列的消費語義和投遞語義
所謂的消費語義，指的就是如下三種情況 其實類似還有乙個投遞語義 說句實在話，其實還是老問題，只是換了一種問法！ok,開始我們的正文 我們先做如下約定 我們先從投遞語義開始講起，因為要先把這個概念講明白了，才能講消費語義。恰巧，kafka實現了這三種語義，我們以kafka來說明。如何保證訊息最多投遞一...
go 型別的值語義和引用語義
go語言重大部分型別都是基於值語義，包括 1.基本型別 byte,int,bool,float32,float64,string等 2.復合型別 陣列array，結構體struct，指標pointer等 重點來了，c c 中，陣列傳遞是引用語義，但在go中，陣列和基本型別沒啥區別，都是值語義，也就是...