针对PubMed的搜索、结果筛选以及一些各位会常用且效率比较高的几个技巧，做了一个介绍，希望各位读者会有一定的收获。但是呢，原本已结束的PubMed专题，在读者的留言中，谈到想看下MeSh搜索方面的内容。为此，笔者在原有的基础上，增加了这一推送——MeSH搜索。（另外，读者若觉得关于PubMed哪一方面还想进一步了解，可在推送下方留言）
随着公司小伙伴增多，原来的管理也很不规范，有时候有些事情说了，却总是执行不下去。虽然有Tower、钉钉之类的系统，但有时候有些通用性的工作总不能每个人都指定一个任务吧。所以，决定把红头文件用起来，一是为了好玩，另外红头文件看起来也醒目，毕竟喜庆、正式一些。
之前介绍 [[PubMed-使用指南]] 的时候提到了。PubMed 的检索系统是基于 ATM 系统来检索的。而 ATM 系统主要是把关键词映射到 MeSH 数据库。所以今天就介绍一下关于 MESH 主题词数据库 MeSH : https://www.ncbi.nlm.nih.gov/mesh
百度NLP专栏 作者：百度NLP 「百度NLP」专栏是机器之心联合百度推出的专栏文章，探讨百度在自然语言处理领域的研究成果、实践经验与心得。该系列专栏以机器之心专访百度副总裁王海峰开篇（参阅：独家对话百度副总裁王海峰：NLP 的路还很长）。这篇文章为「百度NLP」专栏的第二篇，解读了百度在自动作诗方面的研究。 引子 「两个黄鹂鸣翠柳，一行白鹭上青天。」像这样优美的古诗，几乎每个人都在语文课堂上学习甚至背诵过。好的诗歌千古流传，深受广大人民的喜爱，然而诗歌创作却有很高的门槛。对于普通人来说，最多写几首打油诗
以上模版适用漫画类的各种话题，大家可以背熟之后，往里面套相应的主题词，主题词可以进行更改，例如：合作，coporation，coporating with others等等。利用动词以及名词转换。描述图片可以利用倒装句子。
我们将介绍KB-QA传统方法之一的信息抽取（Information Extraction），我们以一个该方法的经典代表作为例，为大家进一步揭开知识库问答的面纱。该方法来自约翰·霍普金斯大学Yao X, Van Durme B.的 Information Extraction over Structured Data: Question Answering with Freebase（文章发表于2014年的ACL会议）
说到搜索英文文献，最常用的应该就是Pubmed了，但是Pubmed远非十全十美，比如说Pubmed就有以下缺点：
AI 科技评论按：现如今，诸如小冰这类闲聊机器人逐渐进入了大众的视野，甚至成为了一部分人打发闲暇时光的伴侣。然而，现在的闲聊机器人在对话的互动性、一致性以及逻辑性上都还存在着一些亟待解决的缺陷。
这篇论文的目的是让聊天机器人的回复更有营养，例如下面这种场景，要尽量避免‘我也是’‘明白。
2018开启！祝各位专知用户元旦快乐！感谢对专知的支持！在此之际，专知小组为大家准备一个好玩的元旦作品 - 人工智能“李白”作诗，祝大家开心快乐！ ▌AI“李白”为你作诗 ---- 诗歌是人类文学皇冠上的明珠。我国自《诗经》以后，两千年来的诗篇灿若繁星。让机器自动生成诗歌，一直是人工智能领域一个有挑战性的工作。现在深度学习的发展使得的诗歌生成技术进入新阶段，甚至在一定程度上，已经可以产生普通人真假难辨的诗歌。专知技术小组训练的人工智能“李白“”为你写诗，玩法如下： 请大家在专知公众号后台回复2018心愿
有了它，就能一键直达arXiv论文PDF、相关研究的关联网、GitHub存储库，以及Colab，再也不用逐项搜索！
主要是基于twitter的内容有： 实时热点话题检测 情感分析 结果可视化 Twitter数据挖掘平台的设计与实现 实时热点话题挖掘 Twitter的数据量是十分庞大的。为了能够了解Twitter上人们在谈论些什么，我们希望能够有一种有效的方 式来获取 Twitter 实时的热点话题。要求该方式： 能处理流数据并且对模型进行周期性的更新 。 产生的主题 与过去的 主题有关联 以便 观测话题的演变 。 资源占用稳定，不随时间增大而以便保证效率和对新话题的敏感 。 LDA模型 首先想到的就是主题模型。 200
文献检索是科研的基本功。传统检索文献的方法大多以关键词、主题词、作者、期刊名称等为线索，查找符合要求的文章。然而，这种检索方法忽略了科技论文的精髓–插图。在查阅文献时，直接阅读插图与图注是快速了解文章内容的捷径。所以，如果能直接通过关键词搜索插图，将会极大地提高查找文献的效率和精准度。今天，我以生物医学研究的明星信号通路NF-κB为例，介绍一种直观查询文献的新方法–以图搜文法。
我们渐渐长大，从一开始的初生牛犊不怕虎到渐渐惧怕孤独，从一开始的单打独斗到渐渐合群躲避孤独。不巧的是，考研就是一个孤单修炼的事情，没有任何人能够去帮你，于是二十出头的我们，从“牛b吊炸天，我要改变全世界”逐渐蜕变成“我要适应这个世界，我要适应孤单”。过去总是赶赴一场又一场热闹，在觥筹交错间，推杯换盏时，说一些违心的话，做一些违心的事，慢慢失去自我。但愿，酒阑人散后，剩下的只有空虚落寞；但愿，灯火阑珊处，留下是考研最美好的回忆。
论文：Topic Memory Networks for Short Text Classification
在做SEO市场分析的过程中，我们总是考量诸多因素，比如：竞争对手的现状，搜索算法的稳定性，内容团队创建的成本，我们该如何计算ROI等，但同样，我们仍然有更多的问题需要了解，比如：
功能测试_填加注册信息 Test Case 001:必填项是否允许为空 Summary: 检验系统有效信息是否对必填项为空的情况做了必要的处理。 Steps: 1．在浏览器的地址栏中输入访问“网上购物系统”的url，单击[转到]按钮； 2．单击[注册]按钮； 3．在“用户注册”界面中什么都不输入，直接单击[注册]按钮； 4．在“用户名”文本框中输入“小狐狸”后，单击[注册]按钮； 5．重复执行第4步骤， 5.1输入姓名：“张三”，单击[注册]按钮；
去年，不想看文献的小编已经为大家介绍过一个肠道菌群与疾病/干预之间关系的综合数据资源：gutMDisorder数据库。
SpringCloud=分布式微服务架构的站式解决方案，是多种微服务架构落地技术的集合体，俗称微服务全家桶
推荐系统主要解决的是信息过载问题，目标是从海量物品筛选出不同用户各自喜欢的物品，从而为每个用户提供个性化的推荐。推荐系统往往架设在大规模的业务系统之上，不仅面临着用户的不断增长，物品的不断变化，而且有着全面的推荐评价指标和严格的性能要求（Netflix 的请求时间在 250 ms 以内，今日头条的请求时间在 200ms 以内），所以推荐系统很难一次性地快速计算出用户所喜好的物品，再者需要同时满足准确度、多样性等评价指标。
对于以往研究的总结是帮助我们了解之前的研究情况，结果以及寻找新的研究方向不可或缺的一步。由于这种总结的必要性，所以也诞生了很多基于不同类型的文章。所以今天就基于论著的不同部分，来简单介绍这些对之前研究结果进行总结分析的文章。
数据是机器学习研究和开发的基础，划分数据能够帮助构建机器学习模型，以及评估和基准化模型。
本文是LDA主题模型的第三篇，读这一篇之前建议先读文本主题模型之LDA(一) LDA基础，同时由于使用了EM算法，如果你对EM算法不熟悉，建议先熟悉EM算法的主要思想。LDA的变分推断EM算法求解，应用于Spark MLlib和Scikit-learn的LDA算法实现，因此值得好好理解。
选自arXiv 作者：Li Wang、Junlin Yao、Yunzhe Tao、Li Zhong、Wei Liu、Qiang Du 机器之心编译 参与：Panda 让机器能根据文章的主题思想生成人类能够读懂的文本摘要是一个重要的 NLP 研究问题。腾讯知文团队、苏黎世联邦理工学院、哥伦比亚大学和腾讯 AI Lab 的研究者针对这一任务提出了一种引入主题模型和强化学习方法的卷积神经网络方法。该论文已被 IJCAI 2018 接收，机器之心在此进行了摘要介绍。 自动文本摘要在很多不同的自然语言处理（NLP）
文章来源：机器之心。 让机器能根据文章的主题思想生成人类能够读懂的文本摘要是一个重要的 NLP 研究问题。腾讯知文团队、苏黎世联邦理工学院、哥伦比亚大学和腾讯 AI Lab 的研究者针对这一任务提出了
这太让我意外了，没想到这么快。根据页面上的提示，我一直以为还得等上一周左右。于是我就发了个感慨：
在做企业网站的过程中，我们都非常清楚，当你试图让网站在搜索引擎中，获得一个较高的排名的时候，站内的布局显得的尤为重要。
在做SEO的过程中，随着短视频的不断火热，越来越多的网站运营人员，开始调整自己的SEO战略，其中，最为常见的策略就是：利用视频在搜索结果中的权重，提高更多展现的可能性。
在之前的文章中，通过采集百度数据、淘宝数据，用数据数据分析对这篇文章的核心卖点和客户需求做了比较详细的说明，得到了如下的结论：
《都挺好》2019-03-01上映优酷，2019-03-25号更新完毕，在这期间迎来了四股搜索的热浪，而且一浪比一浪高，我们可以简单的A到E之间可以画一条线，这是一条上升的直线（股民会尖叫的线），我们可以判断，这是片方营销宣传都无法带来的效果，只有实实在在的口碑和自来水，才能形成的如此持续不跌的热度。
NASA托管和/或维护了超过32,000个数据集; 这些数据集涵盖了从地球科学到航空航天工程到NASA本身管理的主题。我们可以使用这些数据集的元数据来理解它们之间的联系（点击文末“阅读原文”获取完整代码数据）。
本文是LDA主题模型的第二篇，读这一篇之前建议先读文本主题模型之LDA(一) LDA基础，同时由于使用了基于MCMC的Gibbs采样算法，如果你对MCMC和Gibbs采样不熟悉，建议阅读之前写的MCMC系列MCMC(四)Gibbs采样。
现在是考试季吧，风华正茂的青年才俊们应该已经在图书馆占好了座位，开始备战 12 月份的英语四六级考试了吧！想当年，pk 哥四级考试前也在图书馆待了一阵子，后来四级考了 450 分惊险过关，六级考试第一次考了 400 分没过，第二次准备去考时找不到准考证，考完第二天才发现夹在了纸质的笔记本里，大写的尷尬啊，后来也就不了了之。我们知道，四六级考试中，单词的词汇量是重点，阅读时如果单词都不认识的话，影响我们对语句的理解，这样也会降低答题的正确率。
断言（assertions）从字面上理解就是判定是还是否。在正则表达式的系统里，也就是匹配或者不匹配。随便写一个正则表达式，都能产生匹配或者不匹配的结果，所以可以这样说，所有的正则表达式都可以叫断言。
文本分析的核心是自然语言处理，本文只能说是冰山一角，但是对于日常挖掘有用的文本信息也还OK，但是如果想更深层次的挖掘文本信息，还是需要寻求专业算法工程师的帮助，例如NLP实验室的同学们～
看来真的是欲速则不达，目前还差H02，H04，H17，H18，H26，H30，H31这几个学科，如果大家不是关注这几个学科中标情况，现在这个版本就可以了。
（1）Linux： Ubuntu 16.04 （2）Python: 3.6 （3）Hadoop：3.1.3（4）Spark: 2.4.0（5）Web框架：flask 1.0.3 （6）可视化工具：Echarts （7）开发工具：Visual Studio Code
文\孟永辉 有关区块链的争论依然还在继续，关于它的合法性，关于它的应用性，关于它的未来走向……然而，无论人们对于区块链的争论到底如何，有一点可以确认的是，区块链技术本身正在以一种润物细无声的速度潜入到我们的生活。万向布局区块链、万达通过间接方式开展区块链的相关合作、联想推出全球首款区块链手机……这些例证都在告诉我们区块链已经开始在数字货币之外的领域开启了应用的高潮。 可以预见，未来以区块链应用为主要标志的全新时代将会来临，区块链将会在现有的互联网架构之上给我们的生活带来更大变化。正如互联网时代的来临给我们的
2019年腾讯科学WE大会以「小宇宙」揭开了序幕，给大家带来了一场精彩绝伦的科学盛会。而在色彩斑斓的「小宇宙」背后，是策划团队与设计团队历经千锤百炼才孵化成型的。 本文将细细阐述这段孵化之路中所经历的种种艰难险阻与过关斩将的历程。 项目背景 腾讯科学WE大会在历经数年的品牌积累与沉淀，已然成为中国最具影响力的科学盛会之一。从首届的「为未来而来」至今年的「小宇宙」，WE大会每年皆以不同的主题表述对未知领域的洞察，以此逐渐地建构出其独特的品牌形象。要如何利用视觉语言阐释主题内涵，进而延续并拓展品牌形象
今天是小浩算法 “365刷题计划”第87天。前几天写了一篇“小白为了面试如何刷题”的文章大受好评。随之而来的是好多小伙伴私下跑来问我“浩哥，你说前200道题很好，但是前两百道题的难度很大，我不会怎么办”这问题我想了一两天。。。好吧，既然你们说难不会。那我干脆就把前两百道题都给你们配上图解，全部安排，这样总可以了吧？牛气冲天有木有，哪个公号主敢这么干的！奥利给，搞起。今儿为大家分享经典面试题目 - 两数相加。做过的朋友，也不要急着叉掉，不妨借机复习一番。
还在为项目 LOGO 发愁吗？今天号主就给伙伴们安排上，好好吹吹这个制作 LOGO 的平台BRAND MARK：https://app.brandmark.io/v3/
在项目当前目录下：$ python manage.py runserver 浏览器打开127.0.0.1:8000
去年，在 GitHub 上有位 id 为 imhuay 的热心人带头建立了一个关于国内知名互联网企业笔试和面试经验的资源库，光从名称上就能看出其内容有多丰富：
【导语】：今天我们来聊聊小朋友和大朋友们都爱不释手的乐高，Python技术部分请看第四部分。公众号后台，回复关键字“乐高”获取完整数据。
在这篇文章中，我将介绍用于Latent Dirichlet Allocation（LDA）的lda Python包的安装和基本用法。我不会在这篇文章中介绍该方法的理论基础。然而，这个模型的主要参考，Blei etal 2003可以在线免费获得，我认为将语料库（文档集）中的文档分配给基于单词矢量的潜在（隐藏）主题的主要思想是相当容易理解的而这个例子（来自lda）将有助于巩固我们对LDA模型的理解。那么，让我们开始......
在新闻推荐中，由于新闻主要为文本的特性，基于内容的推荐（Content-based Recommendation）一直是主要的推荐策略。基于内容的策略主要思路是从文本提取出特征，然后利用特征向量化后的向量距离来计算文本间的相关度。这其中应用最广的当属分类（Category）相关和关键词（Keywords/Tag）相关，然而这两种策略却有很多无法覆盖的场景。首先，关键词无法解决同义词和一词多义的问题。比如下面两篇文章的关键词：
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
