ACL 2023事件相关(事件抽取、事件关系抽取、事件预测等)论文汇总

ACL 2023事件抽取相关(事件抽取、事件关系抽取、事件预测等)论文汇总,后续会更新全部的论文讲解。

Event Extraction

Code4Struct: Code Generation for Few-Shot Event Structure Prediction
数据集:ACE 2005
动机:与自然语言相比,结构可以更直接地映射到代码;用编程语言编写的代码在表示复杂且相互依赖的结构方面具有固有的优势,具有继承和类型注释等功能。
方法:使用代码生成解决EAE。模型使用CODEX(调用API),prompt包括三部分:本体代码表示(基础类定义(entity、event)、实体类定义、事件类定义)、k-shot上下文示例、任务prompt。遇到"“”, class, print, #,停止生成。

在这里插入图片描述

Joint Document-Level Event Extraction via Token-Token Bidirectional Event Completed Graph
数据集:ChFinAnn、DuEE-Fin
动机:文档级事件论元抽取存在如下挑战:论元分散在多个句子、多事件、更多的噪声。现有的工作存在如下限制:1)路径扩展的自回归策略严重依赖于参数角色的顺序;2)需要事先指定文档中事件的数量。3)基于实体-实体邻接矩阵对事件进行解码时通常会出现意外错误。
方法:提出了一个token-token双向事件完全图(边为eType-X_role1-X_role2(事件类型、角色类型),X表示为B或I(论元的位置),一个事件表示为一个完全图)。具体方法包括三步:1)BERT+Bi-LSTM进行编码(额外增加实体类型编码);2)对任意两个token进行分类,得到token-token矩阵。3)对token-token矩阵进行解码(一个事件为一个完全图)。
在这里插入图片描述

Event Extraction as Question Generation and Answering
数据集:ACE 2005
动机:现有基于问答的事件抽取方法,模板是人工构建的(固定的并且很少包含上下文信息)
方法:提出一个模型,首先生成问题(根据事件信息构建多个上下文问题,选择包含论元最多的作为ground truth),然后根据生成的问题抽取论元(生成范式)。
在这里插入图片描述

Document-Level Multi-Event Extraction with Event Proxy Nodes and Hausdorff Distance Minimization
数据集:ChFinAnn、DuEE-Fin(评价指标好像不需要对应span的区间,只匹配文字)
动机:1)从实体信息中解码事件,倾向于产生局部最优结果,不考虑文档中多个事件的相互依赖。2)通过迭代合并实体的事件解码会遭受错误传播,事件类型或被错误分类的实体无法纠正。3)解码决策需要迭代文档中提及的所有实体是不高效的。
方法:利用事件代理节点建模事件间的交互,使用Hausdorff距离优化生成事件和gold事件。具体地,首先序列标注抽取出全部的候选实体(序列标注loss+判断两个实体是否处于同一个事件loss);随机初始化n个代理节点表示,图的节点为代理节点、实体、上下文,边为代理节点互相连接、实体与代理节点互相连接、上下文与代理节点互相连接。为了使每个代理节点有独特的聚合函数,使用一层的GNN-FiLM学习图的表示(权重由节点得到);然后对事件进行解码(事件类型分类:对代理节点分类;事件论元分类:使用多头注意力聚合相同实体mention的信息,然后和代理节点拼接进行分类);最后使用Hausdorff距离优化,定义预测和gold事件的距离为事件类型和论元角色的交叉熵,然后计算预测和gold事件匹配的最小值作为loss(类似二分匹配)。
在这里插入图片描述

Multilingual Event Extraction from Historical Newspaper Adverts
数据集:Runaways Slaves in Britain(历史报纸广告数据集)
动机:历史文本的NLP任务存在挑战:需要大规模标注数据集、大多数现成的NLP模型都是针对现代语言文本进行训练的,对历史文档的表现明显较差。
方法:根据现有的英文数据集构造了一个新的多语言数据集(英语、法语、荷兰语;通过翻译、人工标注构建),用于事件抽取(无触发词)。模型为问答模型(人工为每个论元构建5个问题,通过QA模型选择最合适的问题)

DICE: Data-Efficient Clinical Event Extraction with Generative Models
数据集:MACCROBAT-EE(200个文档,临床领域)
动机:临床事件抽取存在两个挑战:触发词和论元有模糊的边界、论元的多样性和稠密。
方法:根据MACCROBAT数据集构造了第一个临床事件抽取数据集(MACCROBAT包括实体和关系,将事件mention转换为触发词和对应的事件类型,通过MODIFY关系,分配非事件mention为论元和对应的角色);模型为生成模型,包括提及识别、事件检测、事件论元抽取(输入文本和prompt,输出多个对应的实体/触发词/论元),使用InfoNCE loss帮助模型识别正确的边界(取样部分负样本(改动的边界))。在训练中为了缓解gold和预测上流结果的不一致,使用scheduled sampling。在这里插入图片描述
Boosting Event Extraction with Denoised Structure-to-Text Augmentation
数据集:ACE 2005、ERE
动机:在事件抽取任务中,现有的数据增强方法常常忽视语法错误、结构错位和语义漂移的问题。
方法:提出一个structure-to-text的数据增强框架,利用强化学习选择高效的数据。具体地,生成模型为使用T5模型进行mask填空,Policy模型为BERT二分类,事件抽取模型为GTEE,Action为是否移除生成的数据,Reward为论元分类的F1分数。
在这里插入图片描述

Learning from a Friend: Improving Event Extraction via Self-Training with Feedback from Abstract Meaning Representation
数据集:ACE2005、ERE
动机:数据增强
方法:首先训练一个事件抽取模型,然后使用抽取模型进行数据增强,提出一个打分模型通过AMR图(事件类型和论元角色的最短路径)对生成的数据进行打分,然后再次训练抽取模型。
在这里插入图片描述

TAGPRIME: A Unified Framework for Relational Structure Extraction

Event Detection

The Art of Prompting: Event Detection based on Type Specific Prompts
数据集:ACE 2005、ERE、MAVEN
动机:比较了表示事件类型的各种形式的prompt,进行监督、少样本和零样本事件检测。
方法:拼接事件类型的prompt(事件名称、事件类型的定义、触发词示例、事件类型结构),然后对token二分类(拼接词性编码)。
在这里插入图片描述
Learning with Partial Annotations for Event Detection
数据集:ACE 2005、MAVEN
动机:无法确保每个事件都被标注,经常面临部分注释的问题。
方法:提出一个触发词定位的事件检测方法。输入为事件类型和文本,方法主要包括两部分:1)使用margin softmax进行句子级的softmax得到触发词,鼓励正例触发词和上下文词间的概率差,容忍负例([SEP]表示无触发词)和上下文词的概率差。2)不确定性引导的再训练:使用Monte Carlo Dropout得到多次预测的结果,根据预测频率取样得到一个预测结果进行再训练。
在这里插入图片描述

Hybrid Knowledge Transfer for Improved Cross-Lingual Event Detection via Hierarchical Sample Selection
数据集:ACE 2005、ERE、MINION(包括8种语言数据)
动机:跨语言方法存在两个主流的知识迁移方式:数据迁移(未对齐或不正确的翻译会引入噪声)、直接迁移(不能利用词标签关系和其他目标语言特定信息(如词序和词汇特征))
方法:提出一种混合迁移的方法用于跨语言事件检测(知识蒸馏),模型结构为多语言预训练模型编码后进行token分类。教师模型在有标注数据上进行训练,为了学习语言无关的表示,二分类判断语言类型(使用Gradient-Reversal Layer最大化这个loss)。教师模型标注数据用于学生模型,为了减少噪声进行两步的样本选择(第一步Optimal Transport得到source和target样本的对齐分数,然后使用Cross-domain Similarity Scaling scores选择相似度高的样本)
在这里插入图片描述

Few-shot Event Detection: An Empirical Study and a Unified View
数据集:ACE2005、MAVEN、ERE
动机:现有的few-shot事件检测方法在三个方面存在明显差异:1)Motivation: 探索模型的泛化性和可迁移性。2)Task setting: episode learning、class-transfer、task-transfer。3)Experimental Setting。
方法:本篇论文进行了low-resource和class-transfer设置下12 种事件检测的SOTA 方法的实验研究,同时提出了一个简单但是高效的baseline,使用标签语义和事件提及作为原型,距离函数为缩放的余弦相似度,使用loss合并这两种原型(事件提及的loss为相同标签下的对比loss)。
在这里插入图片描述

Zero- and Few-Shot Event Detection via Prompt-Based Meta Learning
数据集:FewEvent、MAVEN
动机:目前没有方法是针对零样本和小样本事件检测而设计的,在统一框架下结合这两种设置是困难的。
方法:提出了一个统一的元学习框架用于零样本和小样本事件检测。具体地,拼接prompt(得到事件类型)和上下文,分类得到事件类型和触发词,同时提出一个基于最大平均差异的对比loss,放大类间差异,使用元学习进行训练。
在这里插入图片描述
Trigger-Argument based Explanation for Event Detection
数据集:ACE 2005、MAVEN
动机:忽略事件结构知识、解释不能反映决策过程
方法:提出一个解释事件检测模型的方法,包括三个步骤:Group(分组)、Sparsity(过滤无用的特征)、Support(确保前两个步骤生成解释的正确性)。
在这里插入图片描述

Retrieving Relevant Context to Align Representations for Cross-lingual Event Detection
数据集:ACE 2005
动机:对齐特征的多语言事件检测模型可能忽略事件预测的重要特征。
方法:提出一个检索增强的多语言事件检测方法,首先检索相似的目标语言的句子,然后与原始语言的表示计算attention来增强原始语言的表示,最后序列标注完成事件检测。

Event Argument Extraction

AMPERE: AMR-Aware Prefix for Generation-Based Event Argument Extraction Model
数据集:ACE 2005、ERE
动机:探索如何将辅助结构化的信息合并到基于生成的 EAE 模型
方法:将AMR编码为前缀用于DEGREE模型。首先使用SPRING(基于BART的AMR解析器)解析AMR,然后深度有限搜索将AMR图转换为线性,使用AMRBART或RoBERTa编码,然后使用attention得到前缀(query为可学习的向量),在模型的每一层前缀表示为key和value,与原始的key和value拼接。为了防止模型幻化和输出不符合模板,引入copy mechanism,同时为了使模型更大概率复制输入,将生成概率作为正则项加入loss中。
在这里插入图片描述

An AMR-based Link Prediction Approach for Document-level Event Argument Extraction
数据集:RAMS、WikiEvents
动机:之前的工作通过序列模型隐式地使用 AMR 信息,而不是显式地使用离散结构。
方法:将EAE转换为链接预测问题(优势:AMR图比文本更加紧凑,抽取论文更加简单和高效;显式构建多个论元和事件间的依赖;提升推理速度;)。AMR图的构建(合并边的类型为主要几类;添加未在AMR图上的span,枚举全部的span(length<m),使用分类器判断,得分top-k的span加入图上(已在图上的拼接node-type embedding;可以部分匹配一个节点的,和这个节点使用边连接;不能匹配现有的节点,与span左右边界最近的节点连接));使用R-GCN编码,拼接span和触发词、事件类型预测该span对应的角色。loss:判断是否是候选论元的loss+预测角色loss。
在这里插入图片描述
Few-Shot Document-Level Event Argument Extraction
数据集:DocEE(无触发词,包含27485篇Wikipedia文章、27000+事件、180000+论元)
动机:第一个提出小样本文档级EAE任务
方法:根据事件类型分为In domain和Cross domain场景,由于一篇文档可能存在多个论元,N-Way-K-Shot的设置可能难以满足,本篇文章提出N-Way-D-Doc(N个论元类型、D篇文档,重叠的论元角色在test/vel中被mask掉)。使用K-means聚类,得到K个向量表示None类型,然后使用NNShot(Nearest Neighbor Tagger, 首先获得全部的token表示,然后根据在support集中最相似token的标签进行分类)进行token级的分类。
在这里插入图片描述

Retrieve-and-Sample: Document-level Event Argument Extraction via Hybrid Retrieval Augmentation
数据集:RAMS、WikiEvents
动机:探索了如何从输入和标签分布的角度设置用于文档级EAE的检索策略。
方法:检索增强的生成式论元抽取方法,提出了3种检索策略。1)检索文本输入相似的文档。2)检索标签相似的文档。3)首先检索k个相似的文档,然后通过高斯采样取输入和输入标签区域交集处的向量。
在这里插入图片描述

Revisiting Event Argument Extraction: Can EAE Models Learn Better When Being Aware of Event Co-occurrences?
数据集:ACE 2005、RAMS、WikiEvents、MLEE(生物领域文档级事件抽取数据集,嵌套事件、多事件)
动机:现有的EAE方法一次只考虑一个事件,忽略了事件的共现信息。
方法:改进PAIE,以text-to-table的形式抽取论元。表的列名为多个事件的prompt,行名为触发词,最后拼接成列表进行编码。表的decoder中修改了attention mask(列名互相可见、列名可见全部的触发词、角色slot互相可见、触发词和对应的角色slot互相可见,实现为attention_mask, cross_attention(使用roberta作为encoder-decoder结构))。论元抽取和PAIE一样,计算span的开始和结束概率。
在这里插入图片描述
GENEVA: Benchmarking Generalizability for Event Argument Extraction with Hundreds of Event Types and Argument Roles
数据集:GENEVA
动机:现有的EAE数据集存在有限的多样性(仅关注1、2种抽象事件类型(MAVEN的顶点))和覆盖范围(论元角色是实体)。
方法:根据FrameNet构建了一个多样和全面的EAE事件本体(包括非实体的论元角色)和数据集。主要包括两个步骤:1)构建本体:事件本体从MAVEN映射得到;事件论元本体为人工标注,然后对事件本体进行校正。2)构建数据集:映射frame为对应的事件;lexical unit为触发词;frame element为论元。
在这里插入图片描述

What Is Overlap Knowledge in Event Argument Extraction? APE: A Cross-datasets Transfer Learning Model for EAE
数据集:ACE2005、RAMS、WikiEvents
动机:在每个数据集上独立训练EAE模型,单个数据集往往无法提供足够的事件记录,严重阻碍了这些模型取得更好的性能。
方法:分两个阶段学习重叠知识和特定知识。任务定义为生成任务,使用Prefix保存重叠知识,Adapter保存特定知识。重叠知识阶段:构建prompt,填slot得到对应的实体类型(人工映射论元角色和实体类型)。特定知识阶段:使用实体类型的slot构建prompt,填slot得到对应的论元。训练时,先训练重叠知识阶段,然后冻结参数,训练特定知识阶段。
在这里插入图片描述

Document-Level Event Argument Extraction With a Chain Reasoning Paradigm
数据集:RAMS、WikiEvents
动机:文档级事件论元抽取存在长距离依赖问题。
方法:提出一种链式推理的范式用于文档级事件论元抽取(格式为:动词(实体,实体/论元),长度为2)。候选实体为单个词(根据编码表示打分选择top-K个),候选论元为ground实体或者spacy工具得到。M个动词,通过实体之间的分数、实体分数(触发词和论元分数为1)、语义角色得到地动词概率。
在这里插入图片描述

Enhancing Document-level Event Argument Extraction with Contextual Clues and Role Relevance
数据集:RAMS、WikiEvents
动机:现有的方法忽略了非论元的上下文线索信息、论元角色之间的相关性。
方法:提出两个模块建模非论元的上下文线索信息和角色间的语义相关性。Span-Trigger-based Contextual Pooling:首先筛选候选span(排除区间中带标点符号),然后使用Transformer中的注意力分数构造候选区间和触发词间的上下文信息。
Role-based Latent Information Guidance:使用Transformer中的注意力分数构造论元角色和触发词间的上下文信息。
分类包括边界loss(二分类)和分类loss(focal loss平衡负样例)。
在这里插入图片描述

Contextualized Soft Prompts for Extraction of Event Arguments
数据集:RAMS、WikiEvents
动机:现有的基于提示学习的事件论元抽取方法主要依赖于离散的和手动设计的提示,这些提示无法利用每个示例的特定上下文来以获得最佳性能。
方法:对文档和事件类型构图(如果文档中存在该事件类型则连边),使用图注意力网络学习融合上下文信息的事件类型表示。使用事件类型的表示和触发词的表示构造soft prompt,然后和人工构造的promot拼接,为每个角色抽取对应的论元。

Information Extraction

Easy-to-Hard Learning for Information Extraction
任务:命名实体识别、关系抽取、事件抽取、方面级情感分析
数据集:CoNLL03、ACE04-Ent、ACE05-Ent、CoNLL04、ACE05-Rel、Sci-ERC、ACE05E、CASIE、Rest14、Laptop14、Rest15、Rest16、R-ACOS、L-ACOS、Rest15、Rest16
动机:现有信息抽取方法直接学习在给定输入文本的情况下抽取目标结构,与人类的学习过程相矛盾。
方法:提出一个Easy-to-Hard的框架,首先将信息抽取定义为生成问题,通过改变prompt增加任务的难度,使用简单(各个任务的子任务)、困难(拼接两个实例)、主要三个阶段训练模型。
在这里插入图片描述
UniEX: An Effective and Efficient Framework for Unified Information Extraction via a Span-extractive Perspective

Event Causality Identification

CHEER: Centrality-aware High-order Event Reasoning Network for Document-level Event Causality Identification

Enhancing Event Causality Identification with Event Causal Label and Event Pair Interaction Graph

Semantic Structure Enhanced Event Causality Identification

Enhancing Event Causality Identification with Counterfactual Reasoning

SEAG: Structure-Aware Event Causality Generation
提取事件因果关系是广泛的自然语言处理应用的基础。 现有方法将此任务分解为事件检测和事件因果关系识别。 尽管流水线解决方案成功地实现了可接受的结果,但分离任务的固有性质会带来限制。 一方面,它缺乏跨任务依赖,可能会导致错误传播。 另一方面,它分别预测事件和关系,破坏了事件因果图(ECG)的完整性。 为了解决这些问题,在本文提出了一种结构感知事件因果关系生成(SEAG)的方法。 通过图线性化模块,基于预训练的语言模型以文本到文本生成的方式生成ECG结构。 为了促进ECG的结构表示,引入了新颖的因果结构辨别训练范式,在该范式中,在自回归生成的同时进行结构辨别训练,使模型能够区分构建的不正确ECG。 对三个数据集进行实验。 实验结果证明了结构事件因果关系生成和因果结构辨别训练的有效性。

Event Temporal Identification

Prompt-based Temporal Classification of Treatment Events from Discharge Summaries

History repeats: Overcoming catastrophic forgetting for event-centric temporal knowledge graph completion

More than Classification: A Unified Framework for Event Temporal Relation Extraction

Other

Combining Tradition with Modernness: Exploring Event Representations in Vision-and-Language Models for Visual Goal-Step Inference
数据集:wikiHow-VGSI
动机:在视觉目标-步骤推理任务中(输入为一段文本和四张图片,选择正确的图片),探索不同的方法将受语言启发的表示注入到模型中。
方法:事件由依存解析器得到,表示事件为三/四元组,与文本拼接得到向量表示,模型为Triplet Network(文本和事件表示,正例图片表示,负例图片表示),使用cosine相似度选择图片。

A Sequence-to-Sequence&Set Model for Text-to-Table Generation
任务:Text-to-Table
动机:在序列到序列的生成中存在:1) 预定义的顺序在训练过程中引入了错误的偏差,这会严重惩罚行之间顺序的变化;2) 当模型输出较长的token序列时,错误传播问题变得严重
方法:首先进行初步研究来证明大多数行的生成是顺序不敏感的。除了对输入文本进行编码的文本编码器之外,模型还配备了表头生成器,以序列生成的方式首先输出表头,即表的第一行。然后,使用具有可学习行嵌入和列嵌入的表体生成器来并行生成一组表体行。为了解决训练过程中每个生成的表体行与目标之间没有对应关系的问题,提出了一种基于生成的表体行的第一个单元格与目标之间的二部匹配的目标分配策略。
在这里插入图片描述

Dataset

U-CREAT: Unsupervised Case Retrieval using Events extrAcTion
法律领域中的先例检索(PCR)的任务是在给定的查询案例中自动引用相关的(基于事实和优先例)先前的法律案例。 为了进一步促进PCR的研究,本文为PCR任务提出了一个新的大型基准(英文):IL-PCR(印度法律先例检索)语料库。 鉴于案件相关性的复杂性和法律文件的冗长,BM25 仍然是对引用的先前文件进行排名的强有力的基准。 在这项工作中探讨了事件在法律案例检索中的作用,并提出了一种基于无监督检索方法的管道 U-CREAT(使用事件提取的无监督案例检索)。 发现与 BM25 相比,所提出的无监督检索方法显着提高了性能,并使检索速度大大加快,使其适用于实时案例检索系统。 提出的系统是通用的,表明它可以概括两种不同的法律体系(印度和加拿大),并且它在两种不同的基准上都显示出最先进的性能法律系统(IL-PCR 和 COLIEE 语料库)。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/bicheng/35802.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

文件上传漏洞---Pyload

文章目录 前言一、pandas是什么&#xff1f;二、使用步骤 1.引入库2.读入数据总结 前言 本文重点从靶场案例分析文件上传漏洞常见的Pylod&#xff0c;本文演示靶场upload-labs 一.文件类型---Pyload 不同的文件对应不同的文件类型&#xff0c;后端代码通过限制特定的文件类型…

fastadmin框架修改前端时间戳格式的时区

一、上传文件 将 moment-timezone-with-data.js 和 moment-timezone-with-data.min.js 文件上传到项目的 \public\assets\libs\moment\ 文件夹中。 二、配置中引入文件 在 \public\assets\js\require-backend.js 文件中增加所引入文件的配置: moment-timezone-with-data: …

JS(JavaScript)入门指南(DOM、事件处理、BOM、数据校验)

天行健,君子以自强不息;地势坤,君子以厚德载物。 每个人都有惰性,但不断学习是好好生活的根本,共勉! 文章均为学习整理笔记,分享记录为主,如有错误请指正,共同学习进步。 玉阶生白露,夜久侵罗袜。 却下水晶帘,玲珑望秋月。 ——《玉阶怨》 文章目录 一、DOM操作1. D…

SpringCloud Alibaba Sentinel中@SentinelResource使用实践总结

Sentinel 提供了 SentinelResource 注解用于定义资源&#xff0c;并提供了 AspectJ 的扩展用于自动定义资源、处理 BlockException 等。 注意&#xff1a;注解方式埋点不支持 private 方法。 官网地址&#xff1a;注解埋点支持 【1】资源名称限流 ① controller方法 GetMapp…

LabVIEW技术交流-布尔灯仿真数码管

问题来源 闲来无事&#xff0c;逛论坛问答&#xff0c;看到这样一个问题&#xff0c;觉得有意思&#xff0c;就自己尝试下。 这个功能其实是不难的&#xff0c;就是显示不同的数值时&#xff0c;对相应的布尔灯进行真假值操作就行了。但是我又想到了更有趣的玩法&#xff0c;能…

C#学习系列之DataGrid无故添加空行

C#学习系列之DataGrid无故添加空行 前言解决前解决后总结 前言 采用别人的轮子&#xff0c;想在基础上改界面&#xff0c;但是copy后&#xff0c;无论怎么样都会有空行&#xff0c;实在是绑定数据的输入没有任何赋值。 解决前 绑定的数据中输入三组数据&#xff0c;但是没有第…

【Academy】测试WebSockets安全漏洞Testing for WebSockets security vulnerabilities

测试WebSockets安全漏洞Testing for WebSockets security vulnerabilities 概述WebSockets是什么?HTTP和WebSockets有什么区别&#xff1f;如何建立WebSocket连接&#xff1f;WebSocket消息看起来像什么&#xff1f; 操纵WebSocket流量拦截和修改WebSocket消息重放和生成新的W…

链式队列算法库构建

学习贺利坚老师课程,构建链式队列算法库 数据结构之自建算法库——链队&#xff08;链式队列&#xff09;_数据结构函数链队列的算法框架有哪些-CSDN博客文章浏览阅读6.2k次&#xff0c;点赞3次&#xff0c;收藏9次。本文针对数据结构基础系列网络课程(3)&#xff1a;栈和队列…

低碳短视频:成都柏煜文化传媒有限公司

低碳短视频&#xff1a;绿色传播的新风尚 随着全球气候变化和环境问题日益严峻&#xff0c;低碳生活已经成为人们追求的新风尚。在这个背景下&#xff0c;低碳短视频应运而生&#xff0c;以其独特的方式传播绿色理念&#xff0c;推动低碳生活方式的普及。成都柏煜文化传媒有限…

printf趣味代码,打印图案

文章目录 1.打印佛祖2.打印猫猫 (闪烁效果) 1.打印佛祖 #include <stdio.h>void budda_bless(){printf("///\n\ // _ooOoo_ //\n\ // o8888888o //\n\ // …

文件I/O基础-I.MX6U嵌入式Linux C应用编程学习笔记基于正点原子阿尔法开发板

文件I/O基础 本章将介绍Linux应用编程中最基础的知识&#xff0c;即文件I/O&#xff08;Input/Output&#xff09;。文件I/O指的是对文件进行读写操作&#xff0c;在Linux系统中一切皆文件&#xff0c;这是Linux系统设计的核心理念&#xff0c;因此文件I/O操作既是基础又是最重…

【软件下载】Folx详细安装教程视频-Folx软件最新版下载

根据大数据调查表明Acceleration PRO下载&#xff1a;抽出多达10个流的故障能够显着提高下载速度。根据行业数据显示与iTunes PRO集成&#xff1a;通过将Folx集成到iTunes来下载歌曲和视频&#xff0c;能够在下载后立即自动添加到iTunes库。实际上我们可以这样讲通过代理下载&a…

udp udpClient 聊天室

简介 1、UDP&#xff08;User Data Protocol&#xff0c;用户数据报协议&#xff09; &#xff08;1&#xff09; UDP是一个非连接的协议&#xff0c;传输数据之前源端和终端不建立连接&#xff0c;当它想传送时就简单地去抓取来自应用程序的数据&#xff0c;并尽可能快地把它…

Vue38 安装脚手架 vue-cli ,并使用脚手架创建项目

安装脚手架 vue-cli &#xff0c;并使用脚手架创建项目 第一步 安装脚手架 npm config set registry https:\\[registry.npmmirror.com // 切换淘宝镜像 npm install -g vue/cli第二步 切换到创建项目的目录&#xff0c;创建项目 cd XXX vue create XXX第三步 启动项目 npm…

化茧成蝶 | 继HuggingFace首家落地大模型具身智能场景

关于具身智能的起源 近年来&#xff0c;大语言模型&#xff08;LLMs&#xff09;的兴起给机器人领域带来了革命性的改变&#xff0c;大模型赋予了传统机器人理解和推理的能力&#xff0c;让具身智能这一概念再度出现在大众的视角中。OpenCSG 作为国内 AI 开源社区的先锋&#…

[AI MoneyPrinterTurbo] 一键成片,超级印钞机

今天&#xff0c;我们将踏上一段关于MoneyPrinterTurbo的探索之旅&#xff0c;这是一个文生视频工具&#xff0c;旨在让视频创作变得轻松而有趣。 故事的开始 想象一下&#xff0c;你只需要提供一个视频主题或关键词&#xff0c;剩下的——视频文案、素材、字幕、背景音乐&am…

openCV3.0 C++ 学习笔记补充(自用 代码+注释)---持续更新 二(51-)

环境&#xff1a;OpenCV3.2.0 VS2015 51、Mean-Shift算法分割图像 cv::pyrMeanShiftFiltering() 参考链接&#xff1a;【从零学习OpenCV 4】分割图像——Mean-Shift分割算法 Mean-Shift算法又被称为均值漂移法&#xff0c;是一种基于颜色空间分布(彩色图像的像素值)的图像分割…

pycharm鼠标变成小方块

异常图片&#xff1a; 异常原因&#xff1a;误动了键盘insert键 解决方法&#xff1a;Fninsert

根据配置生成一个合并单元格的table表格的html代码

​分享最近工作中遇到的一个场景&#xff1a;导出表格&#xff0c;需要准备好表格的html代码&#xff0c;此表格支持最上面的表头合并且居中展示表格标题&#xff0c;如果上下行数据有相同的&#xff0c;则要上下合并单元格 封装了一个如下的方法 const configToTable (conf…

国家自然科学基金标书大全(2002-2024)

数据来源&#xff1a;在20世纪80年代初&#xff0c;为了促进中国的科技体制革新并改革科研资金分配机制&#xff0c;中国科学院的89位院士联名向党和国家领导人提出建议&#xff0c;设立了国家自然科学基金的设立。国自然基金自创立以来&#xff0c;根据国家发展科学技术方针、…