A Survey of Textual Event Extraction from Social Networks

综述：从社交媒体中抽取文本事件

A Survey of Textual Event Extraction from Social Networks
综述：从社交媒体中抽取文本事件
- 摘要
- 关键字
- 1 简介
- 2 从文本内容中抽取事件
- - ACE计划中的事件
  - 2.1 数据驱动的事件抽取方法
  - 2.2 知识驱动的事件抽取方法
  - - 词汇句法模式
    - 词汇语义模式
  - 2.3 事件抽取的混合方法
- 3 讨论
- 4 结论

摘要

过去的十年中，在社交网络上挖掘文本内容以抽取相关数据和有用的知识已成为无所不在的任务。文本挖掘的一种常见应用是事件抽取，它被认为是一个复杂的任务，分为不同难度的多个子任务。在本文中，我们对现有的主要文本挖掘技术进行了概述，这些技术可用于许多不同的事件抽取目标。首先，我们介绍基于统计模型将数据转换为知识的主要数据驱动方法。其次，我们介绍了基于专家知识的知识驱动方法，通常通过基于模式的方法来抽取知识。然后，我们介绍结合了数据驱动和知识驱动方法的主要现有混合方法。我们以比较研究结束本文，该研究概括了每种提出的方法的主要特征。

关键字

事件抽取，文本挖掘，信息抽取，社交网络。

1 简介

社交网络被定义为基于网络的系统（专用网站或其他应用程序），允许用户（个人）创建公共或半公共文件并通过发布信息，评论在互联网内相互通信。，消息，视频等。[4，8]。
近年来，由于诸如个人计算机，智能手机，平板电脑之类的支持互联网的设备的传播和可订购性的提高，社交网络已无处不在。这些设备允许用户通过互联网服务连接到社交网络[3]。这些新的可能性使世界各地的人们可以实时添加，更新，共享和查阅大量新信息。数亿活跃用户添加的大量新信息[26]被认为是许多研究领域非常重要的数据来源。
这些海量数据的特征在于三个计算问题：大小，噪声和动态性[4]。这些问题使得手动分析社交网络数据似乎是不可能的。为了解决这个问题，数据挖掘提供了广泛的技术，可从大量数据集中检测有用的知识。最初，大多数数据社交网络都是非结构化的，习惯性地使用人类自然语言来描述，这使得通过机器来理解和解释社交网络内容成为一项艰巨的任务[6]。这个问题阻碍了文本挖掘（TM）子任务的自动化，例如在决策中经常使用的信息检索[13]和信息抽取（IE）[15]过程。
通常，我们可以将文本挖掘（TM）定义为自然语言文本中包含的数据的分析。 TM的工作原理是将非结构化数据中的单词和短语转换为数值，然后将其与数据库中的结构化数据链接起来，并使用传统的数据挖掘技术进行分析[40]。通过文本挖掘，通常使用自然语言处理（NLP）技术，从各种来源的文本（例如新闻消息和博客）中抽取信息，并以结构化的方式表示和存储信息（通常存储在数据库中）。可以通过TM从文本中抽取的一种特定类型的知识是一个事件，可以表示为与文本的一组经验观察相关联的关系的复杂组合[17]。在最近几年中，从社交网络的文本内容中抽取事件（EE）引起了人们的极大关注。例如，此表示形式表示攻击事件。文字中提及人的词与概念相关；具有攻击意义的动词与相关联。因此，可以从以下文本中检测到类似的事件表示形式：约翰开枪打他的朋友，一个女人被陌生人攻击。等等。
Saval等。 [33]为事件类型“自然灾害”的建模提出了语义扩展。他们将事件E定义为三个部分的组合：语义属性S，时间间隔I和空间实体SP。因此，事件表示如下：E 。在2014年的工作中，Serrano等人[34]通过用与事件中所涉及的不同参与者相对应的附加组件A丰富了事件表示，从而对事件表示进行了修改。因此，表示将如下所示：其中，A是扮演一个或多个角色的一组参与者。一位参与者指出Piwherein 0和rjwherein 0标记的角色。然后，分量A定义如下：A = {（Pα，rβ）}，因为参与者Pα在有关事件中扮演rβ的角色。
从非结构化文本内容中抽取事件可能以各种方式对IE系统有用。实际上，能够检测和恢复事件可以提高个性化系统的质量和性能[14]。因此，使用从社交网络的文本内容中抽取事件来处理多个问题已成为不可避免的任务。但是，抽取事件是一项非常困难的任务，分为许多具有不同复杂性的子任务，并且需要根据条约任务来组合许多技术和方法。
在本文中，我们对EE文献中现有的主要方法进行了概述。在第一部分中，我们介绍了数据驱动的事件抽取方法，该方法基于依赖统计将数据转换为知识的方法，然后，我们介绍了主要的知识驱动方法，这些方法通过表示和利用专家知识来抽取知识，通常采用基于模式的方法。第一部分的最后一部分将专门介绍基于数据驱动方法和知识驱动方法的组合的不同混合方法。在第3节中，我们简要介绍了最近文献中使用的主要多语言事件抽取系统。在第三部分中，我们讨论了将事件抽取与风险管理相结合的主要现有工作。最后，我们进行了比较研究，在本文中我们展示了每种方法的主要区别，优点和缺点。

2 从文本内容中抽取事件

在面向信息抽取的带注释的语料库中，我们看到了两种事件模型，强调了这些不同的方面。一方面，存在TimeML模型，其中事件是一个单词，指向时间关系网络中的节点。另一方面，存在ACE模型，其中事件是一个复杂的结构，将本身是复杂结构的自变量关联起来，但是仅具有辅助的时间信息（以时间自变量的形式，只有在明确给出时才注明）。在TimeML模型中，每个事件都带有注释，因为每个事件都参与了时间网络。在ACE模型中，仅注释有趣的事件（属于34个预定类别之一的事件）。自动抽取ACE事件的任务比抽取TimeML事件要复杂得多（这与ACE事件的复杂性相一致），涉及事件锚的检测，3个属性的数组的分配，参数的确定和角色的分配，以及确定事件共同参照。

ACE计划中的事件

ACE程序1为各种信息抽取任务提供带注释的数据，评估工具和定期评估练习。 ACE支持以下几种基本的抽取目标：实体，时间，值，关系和事件。 [1]中对2005年的ACE任务进行了更全面的描述。
ACE实体分为七种类型（人员，组织，位置，地缘政治实体，设施，车辆，武器），每种都有许多子类型。在ACE程序中，对实体和实体提及之间进行区分（类似在事件和事件提及之间，依此类推）。实体提及是指文本（名称，代词或其他名词短语）中的引荐表达，指代适当类型的事物。那么，实体要么是世界上某个实体提及的实际指涉对象，要么是文本中提及同一实际实体的一组实体提及。 ACE实体检测和识别任务需要识别引用实体（即，实体提及）的文本中的表达式，并需要共同引用解析来确定哪个实体提及是指相同实体。
ACE事件（与ACE实体一样）仅限于一系列类型。因此，并非文本中的所有事件都仅注释了适当类型的事件。八个事件类型（在括号中带有子类型）是：生命（出生，结婚，离婚，伤害，死亡），运动（运输），交易（转移所有权，转移货币），业务（开始组织，合并组织，宣告破产，EndOrg），联系（攻击，演示），联系人（会议，电话写），人员（开始位置，结束位置，提名，当选），司法（逮捕监狱，释放假释，审判听证会），起诉书，起诉，定罪，判决，罚款，执行，引渡，无罪，上诉，赦免）。由于任务中没有固有的东西需要类型和子类型两个级别，因此在本文的其余部分中，我们将事件类型和子类型的组合（例如Life：Die）称为事件类型。除事件的类型外，事件还具有其他四个属性（括号中可能的值）：模态（声明，其他），极性（正，负），通用性（特定，通用），时态（过去，现在，将来，未指定））。
事件（与实体，时间和价值不同，但与关系不同）的最鲜明特征是它们具有论点。每个事件类型都有一组可能的参数角色，这些角色可以按实体，值或时间划分。尽管没有单个事件可以拥有全部35个角色，但是共有35种角色类型。可以在ACE事件的注释准则中找到哪些事件与哪种事件类型相关的完整说明[38]。事件（如实体）与文本中的提及有所区别。事件提及是文本的跨度（范围，通常是一个句子），具有出色的锚点（最清楚地表示[事件]发生的词[38]的单词）和零个或多个参数，它们是实体提及，timexes或范围内的值。事件既可以是世界上的实际事件，也可以是引用同一实际事件的一系列事件提及。请注意，事件的参数是与构成事件的事件提及的实体，时间和值相对应的实体，时间和值。 ACE程序的社会评估指标是ACE值，这是一种基于成本的指标，它将标准化的加权成本与系统错误相关联，并从100％的最高得分中减去该成本。对于事件，相关的成本主要由参数的成本决定，因此实体，timex和值识别中的错误会与事件ACE值相乘。由于独立于实体，时间和值的识别来评估事件检测和识别的性能很有用，因此ACE程序包括诊断任务，其中提供了部分地面真实信息。在此特别感兴趣的是用于事件检测和识别的诊断任务，其中提供了基本事实实体，4个值和时间。
根据ACE术语，事件触发是确定事件发生的词；参数是构成事件属性的实体提及，值或时间表达式，事件提及是具有可区分的触发器，实体提及和其他参数类型的文本范围[15]。如上所述，事件抽取是一个复杂的任务，分为许多子任务。因此，文献中存在许多用于从文本内容中抽取事件的技术。如本文中将显示的那样，合适的技术的选择基于每个抽取任务的最终要求。在本部分中，我们对最近文献中使用的主要方法和方法进行了调查：数据驱动方法，知识驱动方法和混合方法，在本部分中，我们将进行比较研究以总结主要特征，应用领域，每种方法的优缺点。

2.1 数据驱动的事件抽取方法

与基于模式的方法（在第2.2节中介绍）相反，数据驱动的方法无需人工干预即可针对特定的NLP任务自动构建模型（即自动语言处理）。换句话说，这些方法试图仅通过使用定量方法（例如概率建模，信息论和线性代数）来发现统计关系。因此，为了开发这些近似语言现象的模型，数据驱动方法需要使用大型文本语料库，这就是为什么这些技术通常被称为基于语料库的原因。发现的事实的例子是（统计上）相互关联的单词或概念。在最近的文献中，可以使用许多与数据驱动方法相关的技术，例如：单词频率计数，术语频率-逆文档频率（TF-IDF），单词义消歧（WSD），n元语法和聚类。
数据驱动方法用于从文本中抽取事件的一个常见任务是词性（POS）标记，这是为句子中的每个单词分配词性的过程。 Guy等人[11]在2006年的工作中详细阐述了四种数据驱动的标记器（TnT，MBT，SVMTool和MXPOST）之间的比较。通过在给定的数据集（斯瓦希里语的赫尔辛基语料库）上应用这些数据驱动的标记器而获得的实验表明，MXPOST是该数据集最准确的标记器。在另一组实验中，他们通过将单个标记器组合为一个标记器委员会，进一步提高了单个标记器的性能。同样，获得的结果表明，组合多个标记器可以提高系统的性能和准确性。在相同领域中，为了处理形态复杂的语言，Mark et Joel [12]扩展了统计标记器，以处理新的粒度标记集，并改进了最佳的冰岛POS标记器。此外，他们还为非本地案例和性别决策开发了案例标签。 Delia等。 [31]研究了从新闻文章中抽取和聚类复杂事件的不同无监督技术。作为第一步，他们提出了两种互补的事件抽取算法，分别基于识别动词及其自变量以及实体之间的最短路径。接下来，他们通过使用知识库中的概念注释事件触发器和参数，从而获得了事件提及的更一般表示。广义参数用作聚类方法的功能，从而确定相关事件。
在2014年的工作中，Deyu等人[41]阐述了一种简单的贝叶斯建模方法，用于从Twitter抽取事件，称为潜在事件模型（LEM），以从社交媒体中抽取事件的结构化表示。但是，建议的5种方法完全不受监督，不需要带注释的数据即可进行训练。因此，所提出的模型仅需要标识命名实体，位置和时间表达式。此后，该模型可以基于事件元素的共现模式，自动抽取在特定时间，位置以及带有事件相关关键字的涉及命名实体的事件。冈本等。 [27]提出了一种使用主题抽取技术来检测偶发事件或易失性本地事件的方法。他们详细阐述了基于两级分层聚类方法的框架。借助聚类技术，事件抽取的结果具有可接受的准确性。刘等。 [5]提出了一个框架，用于基于聚类，建模实体和加权无向二部图同时从每日网络新闻中抽取关键实体和进行重要事件挖掘。在同一领导下，[37]的作者开发了一种基于自动模式学习的实时新闻事件抽取系统，该系统从一个带有注释的小语料库中学习，并且为了确保可以实时消化大量文本数据，他们开发了ExPRESS（抽取模式引擎和规范套件），这是一种非常高效的抽取模式引擎，能够在几秒钟内匹配数千个模式。在[24]中，Lei等人。提出了一种基于支持向量机算法的主题相关事件抽取与跟踪框架。
使用数据驱动的方法进行事件抽取有一个主要优点：不需要专业知识或语言资源。但是，数据驱动的方法需要较大的文本语料库才能开发出近似语言现象的模型。另一个缺点是数据驱动方法不能处理文本的含义。为了解决这个问题，研究人员求助于知识驱动的方法，该方法基于表达表示专家知识的规则的模式。

2.2 知识驱动的事件抽取方法

知识驱动的方法也称为基于规则的方法，通常基于语言学家构建的模式。模式由词法指定的语法模板组成，这些模板与文本匹配，方式与正则表达式大致相同，并与类型约束一起应用于匹配的子字符串。这些模式是按词法索引的局部语法片段，并用各种参数与知识表示之间的语义关系进行注释[39]。因此，这些规则或模式依赖于有关语言结构的语言知识，并以正式的符号表示，因此它们被计算机用于进一步解析[25]。模式（可能是词汇句法或词汇语义模式）的设计以及适当技术的选择通常取决于许多因素，例如要处理的文本的语言和最终的处理目的。对于词汇-句法的情况，模式结合了词汇和句法信息[22]，而对于词汇-语义模式的情况，则通常通过使用地名词典[19]或本体论[20]来添加语义信息。

词汇句法模式

正如我们之前提到的，词汇句法模式是词汇表述（即字符串）和句法信息（例如词性）之间的组合。为了进一步说明，我们介绍了赫斯特在其1998年的工作中给出的以下词汇句法模式[16]：

他的目的是通过发现自由文本中的正则表达式模式来找到下位和上位关系。在这种模式下，NP表示专有名词。其他文本（例如，，或，和和）用于词法匹配，而（和）包含要评估的合取和析取语句，在这种情况下为析取（表示为|）。另外，*是重复参数，表示括号（和）之间的序列可以重复零到无限次。在这句话上加上这个词汇句法模式。。。 Herrick，Goldsmith和Shakespeare之类的作者的作品得出以下结果：

普通用户通常很容易理解这些模式，但是定义正确的模式来挖掘语料库以获得未知信息并不是一件容易的事。赫斯特强调，为了成功返回期望的结果，应该以各种方式频繁出现的文本来定义模式。而且，它们通常应表明感兴趣的关系，并且应该很少或没有预编码知识就可以识别。此外，所有现有的语法变体都必须包含在复杂的模式中，以确保其正常工作。

词汇语义模式

词汇语义模式用于解决缺少具有特定含义的概念（通过使用词汇句法模式表示）的问题。除了词汇表述和句法模式所使用的词汇表述和句法信息的组合以外，词汇语义模式还允许使用诸如本体中定义的概念之类的语义信息。因此，词汇语义模式将词汇表述与句法和语义信息相结合。词汇语义模式由[21]在1991年的工作中首次提出，他们在此基础上建立了一个基于词汇语义模式的文本处理系统。这些模式可以包括术语和运算符，例如词汇特征，逻辑组合和重复，它们大多是从正则表达式语言中采用的。 Wooter等人给出了以下示例[7]是一种词汇语义模式，该模式会将左死的动词短语分类为表达死亡或伤害：？PIVOT =（或找到左击）？OBJ = *？EFFECT = dead =>（标记激活符谋杀d-vp）；
这句话也将被判死刑和死刑。除了重复和通配符之类的标准元素之外，此处显示的规则还包含一些功能，例如左侧（LHS）（其中以？开头的单词表示变量）和右侧（RHS）宏等变量分配。 mark-activator，它使用模式匹配的结果（包括变量赋值）以及一些其他常量（例如谋杀和d-vp）来标记和分段文本。词汇语义模式的使用具有许多优势，最重要的是它们考虑了域语义，这有助于解析器应对用自然语言编写的非结构化文本的复杂性和可扩展性[16]。
在当前的文献中，存在许多基于知识驱动的事件抽取方法的作品。例如，Wooter等人[2012]在2012年的工作中提出了一种基于规则的方法来从文本中学习本体实例，其中7他们定义了一种词汇语义模式语言，除了现有的词汇和句法信息外，在词汇句法规则中，也利用了语义信息。
在[16]中，作者提议使用词汇语义模式从RSS新闻提要中抽取金融事件，以允许金融市场上的投资者在决定买卖股票时监控金融事件。这些模式使用金融本体，将常用的词汇语法模式运用到更高的抽象水平，从而使词汇语义模式比文本中的词汇语法模式能够越来越准确地识别事件。为此，作者基于用于事件的词汇语义模式和语义动作开发了规则，这些动作允许使用发现的事件的效果来更新领域本体。在那里，模式创建基于三重范式（即，它使用了一个主题，一个谓词和一个可选对象），并且依赖于对Java注释模式引擎1（JAPE）语言[10]和SPARQL2的三重转换。 [2]。还为同一作者提出了另一项经济事件抽取工作[18]，他们提出了一种基于语义的信息抽取管道用于经济事件检测，该管道利用了JAPE语言中定义的词汇语义模式。可以在[35]，[36]中找到相同领域的其他作品。
求助于知识驱动的方法已经缓解了许多在数据驱动的方法中出现的问题。采用知识驱动方法所引起的第一个问题是，我们不需要使用大量的训练数据（数据驱动方法所要求的文本语料库）来开发近似语言现象的模型。第二个重要优点是，对知识驱动方法的补救措施有可能依靠词汇，句法和语义元素的组合来定义强大的模式，这些模式可用于抽取和识别非常具体的信息。但是，与知识驱动的方法有关的一个共同缺点是，需要先验领域知识，因此，我们需要寻求专家语言学家的帮助，换句话说，是为了能够定义检索正确的所需信息的模式。，词汇知识，可能还需要先验领域知识。此外，仅采用知识驱动的方法可能会造成麻烦，并返回较差的结果，尤其是在我们需要识别大量事件的情况下。

2.3 事件抽取的混合方法

停留在一种类型的事件抽取方法的范围内可能不会提供最佳结果。因此，将数据驱动的方法与知识驱动的方法相结合可能会减轻每种方法的弊端，这实际上创建了一种新的方法：混合方法。实际上，仅依靠一种事件抽取方法是困难的。因此，最新文献中的大多数作品都依赖于混合方法。通常，在混合方法的应用中，数据驱动的方法通常用于统计处理（引导，POS标记，初始聚类等），而知识驱动的方法通常用于通过词法，句法和语法来定义强大的表达方式。语义元素[29]。换句话说，数据驱动的方法用于处理大量数据，而知识驱动的方法用于处理特定的目标。
Kenji等。 [32]提出了一种结合基于规则和数据驱动的NLP的方法语法关系抽取技术。他们表明，从基于规则的系统开始，我们可以使用未标记的数据和基于语料库的系统来改善语法关系的回忆（和F评分）。在2004年的工作中，Camiano等人。 [9]阐述了一种混合方法来解决由缺乏专业知识引起的问题，因此他们诉诸于统计方法来补救这些问题。 Pakhomov等。 [28]结合统计学方法和词汇知识。在这种情况下，可以在[30]中找到类似的方向，作者使用混合方法来加强统计方法。 [29]的作者引导了一个带有集群的弱监督模式学习算法，目的是从网络新闻中高精度地抽取暴力事件和召回事件，并将其存储在知识库中。 [23]的作者采用基于语法的统计方法进行文本挖掘，即POS标记。但是，标记基于存储在本体中的领域知识，因此使事件抽取成为混合过程。最后，Chun等。 [15]通过词汇句法模式，结合术语共现，从生物医学文献中抽取事件。
数据驱动方法与知识驱动方法的结合带来了一些增强。例如，即使仍然需要大量数据来开发统计模型，混合方法中所需的数据量也比纯数据驱动方法中的要少。同样，专家用于检测事件的已开发模式所需的数量少于纯粹的知识驱动方法，这是由于采用了统计方法来自动发现事件。缺点通常是由混合系统的复杂性引起的，该系统包含许多数据驱动和数据知识方法的技术和方法。

3 讨论

在本节中，我们在表（表1）中总结了讨论的不同方法和方法，其中我们试图揭示每种方法之间的主要区别。为此，我们列出了每种方法所用的不同技术（数据驱动或知识驱动的方法），然后是每种方法所用的方法（分层、图形、SVM等）以及事件的不同类型。我们还介绍了每种方法所需的数据量，最后列出了所需的领域知识和专业知识。如表1所示，就数据使用而言，基于知识驱动的方法需要较少的数据量。实验表明，我们只需要几百个文档或句子即可生成有价值且准确的事件抽取规则。另一方面，数据驱动的方法需要一万多个文档来构建有用的统计模型，这些模型可以给出可接受的结果。对于结合了数据驱动方法和知识驱动方法的混合方法，所需数据量仍在增加，但是比数据驱动方法的情况要好得多，在数据驱动方法中，我们仅依靠统计技术来抽取规则。对于可解释性，知识驱动的方法可提供最佳结果，尤其是对于执行高级别可解释性的词汇语义模式而言。数据驱动的方法给出了最低的准确性。根据本次调查的结果，并为了选择适当的事件抽取技术和方法，我们建议针对特定领域采用知识驱动的方法，因为这种方法基于规则的简单，简单和高精度方法。同样，我们需要更少的数据量来生成有用的模型。另一方面，我们建议数据驱动和混合方法用于处理大量和多种数据以抽取各种类型事件的用户。

4 结论

我们在本次调查中介绍了当前文献中从文本中抽取事件的主要方法。如图所示，数据驱动的方法（基于语料库的方法）需要大量数据才能通过使用定量方法（例如概率模型，信息论和线性代数）来开发近似于语言现象的模型，从而发现统计关系，因此这些方法需要很少的领域知识和专业知识。基于语料库的方法的主要优点是我们不需要专业知识，但结果却导致解释性差。对于知识驱动的方法，我们基本上依赖于专家开发的模式，但是我们还需要少量数据来开发这些模式。基于模式的方法在具有较高的可解释性的情况下提供了更好的结果，但是当我们寻求抽取各种类型的事件时却无法处理大量数据。采取结合知识驱动和数据驱动方法的混合方法的方法，似乎是解决每种家庭方法的缺点并获得两种技术（基于模式和基于语料库的方法）的优点的绝佳解决方案。

论文阅读：A Survey of Textual Event Extraction from Social Networks 综述：从社交媒体中抽取文本事件相关推荐

论文笔记 ACL2021|CLEVE-Contrastive Pre-training for Event Extraction
文章目录 1 简介 1.1 动机 1.2 创新 2 背景知识 3 方法 3.1 预处理 3.2 事件语义预训练 3.2.1 文本编码器 3.2.2 触发词-论元对辨别 3.3 事件结构预训练 3.3. ...
论文阅读ICLR2020《ADAPTIVE STRUCTURAL FINGERPRINTS FOR GRAPH ATTENTION NETWORKS》
论文阅读ICLR2020<ADAPTIVE STRUCTURAL FINGERPRINTS FOR GRAPH ATTENTION NETWORKS> 摘要确定节点相似性时图的结构 Ad ...
论文阅读和分析： “How Attentive are Graph Attention Networks?”
下面所有博客是个人对EEG脑电的探索,项目代码是早期版本不完整,需要完整项目代码和资料请私聊. 数据集 1.脑电项目探索和实现(EEG) (上):研究数据集选取和介绍SEED 相关论文阅读分析: 1. ...
谣言检测文献阅读二—Earlier detection of rumors in online social networks using certainty‑factor‑based convolu
系列文章目录谣言检测文献阅读一-A Review on Rumour Prediction and Veracity Assessment in Online Social Network 谣言检测 ...
强化学习泛化性综述论文阅读 A SURVEY OF GENERALISATION IN DEEP REINFORCEMENT LEARNING
强化学习泛化性综述论文阅读摘要一.介绍二.相关工作:强化学习子领域的survey 三.强化学习中的泛化的形式 3.1 监督学习中泛化性 3.2 强化学习泛化性背景 3.3 上下文马尔可夫决策过 ...
Document-level Event Extraction （DEE）综述
想法最近在整理dee相关的文章,这里做一些整理,方便后续查阅.本文主要介绍3篇DEE相关的文章,主要想介绍核心的动机和创新点,对于细节,可以参看一下几个链接: https://blog.csdn.n ...
论文阅读八：SDN 交换机转发规则 TCAM 存储优化综述
摘要:SDN将传统网络的控制平面和数据平面解耦,通过控制平面的控制器灵活地对网络进行管理,目前应用最广泛的控制协议是OpenFlow.三态内容寻址存储器(TCAM)查找速度快.支持三态掩码存储,在SD ...
【论文阅读】深度强化学习的攻防与安全性分析综述
文章目录一.论文信息二.论文结构三.论文内容摘要 1 深度强化学习方法 2 深度强化学习的攻击方法 2.1 基于观测的攻击 4 深度强化学习的安全性分析 5 应用平台与安全性评估指标 5.1 ...
图割论文阅读笔记：“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts
"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts 摘要经典的图像分割使用纹理(颜色) ...

论文阅读：A Survey of Textual Event Extraction from Social Networks 综述：从社交媒体中抽取文本事件