【知识图谱】零基础理论——动手学关系抽取：TextCNN&LSTM
代码文件释义
BasicModule.py：基类
BruceCNN.py：继承基类
embedding.py：单独抽了个类
config：配置文件
dataset：数据集处理文件
process：预处理文件
trainer：训练文件
utils：工具类
vocab：词汇的类
relation：十个关系
test.csv：测试集
train.csv：训练集
predict：预测脚本
run.py：整个代码的运行脚本
知识图谱
实体、属性与关系
知识图谱与人工智能
关系抽取
CNN
后面必须加flatten，把二维图像变成一维信息
TextCNN（文本序列的卷积）
【原创】文本分类算法TextCNN原理详解（一）
[NLP] TextCNN模型原理和实现
卷积核大小可以不一样，但必须一次扫每行
RNN
推荐一篇特别精彩的文章：
循环神经网络 – Recurrent Neural Network | RNN
为什么需要RNN
无论取“最好、的、人工智能、科普、网站、是”都不能得到预测结果，得把前面所有的词连在一起得到
RNN存在短期记忆
LSTM——只保留重要信息
长短期记忆网络 – Long short-term memory | LSTM
详解 LSTM
控制LSTM细胞状态的三个门
第一个开关，负责控制继续保存长期状态c；
第二个开关，负责控制把即时状态输入到长期状态c；
第三个开关，负责控制是否把长期状态c作为当前的LSTM的输出。
如何在算法中实现这三个开关？
方法：用 门（gate）
定义：gate 实际上就是一层全连接层，输入是一个向量，输出是一个 0到1 之间的实数向量。
公式为：
gate 如何进行控制？
方法：用门的输出向量按元素乘以我们需要控制的那个向量
原理：门的输出是 0到1 之间的实数向量，
当门输出为 0 时，任何向量与之相乘都会得到 0 向量，这就相当于什么都不能通过；
输出为 1 时，任何向量与之相乘都不会有任何改变，这就相当于什么都可以通过。
f是sigmoid函数
LSTM实例
神经网络中的数据形式
