毕竟成功用了中国移动offer,想看面经的点~

作者:整理2016-2017年ACL、EMNLP、SIGIR、IJCAI、AAAI等国际知名会议遭实体关系推理与学识图谱补全的相干论文,供自然语言处理研究人员,尤其知识图谱领域的学者参考,如产生左理解的处在请求指出,不胜感激!(如要转载,请联系我:jtianwen2014,并注明出处)

  今天就想一鼓作气将刚过去的少集面试更全部且写下来。

ISGIR 2016

  中国移动的见习其实我并无是特意怀念去,因为工资类有些高。。。相对互联网的语也许要比小,所以我再多之是怀念去互联网商家。

Hierarchical Random Walk Inference in Knowledge Graphs

  • 作者:Qiao Liu, Liuyi Jiang, Minghao Han, Yao Liu, Zhiguang Qin
  • 机构:School of Information and Software Engineering, University
    of Electronic Science and Technology of China

——–论文掠影——–

正文面向的天职是基于知识图谱的关系推理。本文通过比考察PRA方法以及TransE方法以论及推理上的实行职能并分析由,在PRA基础及提出层次的任意游走算法HiRi进行实体关系推理。

正文首先叙述了冲知识图谱的关系推理的有关工作,大体分为三种植方式:首先是统计关系上道(SRL),如马尔科夫逻辑网络、贝叶斯网络,但这好像方发需要规划相应的规则,因此没有好好之扩展性和泛化性;嵌入式表示的措施,旨在将实体和涉映射为空间受到的于量,通过空中被为量之演算来拓展推导(如TransE),该方法取得了比好之准确率,但分布式表示的解释性不愈,另外,较麻烦落实并行计算;基于关系路径特征的任意游走模型,该方式好进行并行计算,具有较好之实施效率,但准确率与召回率相比嵌入式表示学习之方是劣势。正文的想法是:是否足以计划算法同时实现自由游走模型的推行效率以及保留嵌入式表示学习方法的准确率?

——–方法介绍——–

正文对TransE方法(嵌入式表示学习之意味)和PRA方法(随机游走模型的表示)进行对照,在一对多、一对一、多针对性多、多对相同立刻四近似涉达成进展对照分析:

图片 1

对待发现:在1:M关系上,PRA远不苟TransE;但在M:1涉嫌达到,两者很类似。有这个场景,本文的第一只假设认为可以拿知识图谱看做无为图,以这个来逃避1:M关系上之弱势。

此外,PRA方法以M:M关系达到为才及了TrasnE方法效果的一半,本文认为就证明了PRA在多针对性几近干及抽取的途径特征并从未尽地动用基本上对几近涉及起的簇中的接连信息(文中有举例说明这或多或少)。相比而言,嵌入式学习的措施由于用文化图谱全局信息编码到向量空间里,所以可以充分利用到这种消息。

每当运基本上对准几近推理关系常,经常会面为此到干之反向,即于尾实体到头实体的大方向,这种推离的计好下odd-hop随机游走模型来建模,基于这个本文的第二单比方是:具备拓扑结构的干显然的簇可能会见蕴藏对推理很有帮的音信,那么,基于关系上算法的妄动游活动得增强推理能力。 

本文提出了千篇一律栽层次化推理的架构,共分为三单部分:全局推理、局部推理、推理结果融合,结构框图如下:

图片 2

大局推理是运用PRA算法进行推理,以得三元组成立之票房价值\(f(h,r_i,t)\);一部分推理时以一定关系之子图(簇)上计算一个3超越的概率矩阵,以得到有或者该干的老三首组概率\(g(h,r_i,t)\),由于是在一个簇上进行的,这是一个片的推理。融合之长河是运用一个线性模型对少有些的票房价值融合,以抱终极的概率。

作者:本文通过分析PRA与TransE的于不同类型涉及达成之差别,提出了个别独如,并以这基础及提出层次化的推理方法HiRi,即在全局和片分别展开关联推理,最终融合在一起获得推理结果。本文在亚独比方的提出上从未有过受起最多明显的说明,所举的事例和该假设的提出当推关系上小牵强,笔者未理清思路。另外,3越的原因是否来于“关系-关系倒往-关系”路径,即3跳回到原干?对于假而同一,将涉嫌当做无向的,会带哪些不良后果?前人是否出及时点的探赜索隐?

  中国移动的网申好像也是从来不那么爱的,身边就出一部分同桌网申都未曾了,特别是广州公司,感觉是据学校来罗的,身边无一个网申过。

IJCAI 2016

  我先是自觉自愿是广州公司,第二自觉是深圳公司,最后网申过了深圳公司,不过新兴才了解深圳公司是省级企业来之,所以心里还抵了少数。

From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction

  • 作者:Han Xiao, Minlie Huang, Xiaoyan Zhu
  • 机构:Dept. of Computer Science and Technology, Tsinghua
    University

——–论文掠影——–

正文提出:时已经有的文化表示学习方法无法实现规范链接预测,本文认为生三三两两个由造成了立同观的出现:ill-posed
algebraic problem
adopting an overstrict geometric form

里,ill-posed algebraic
problem指的凡:一个方程组中之方程式个数远超变量个数。本文为翻译模型也代表叙述这无异于问题。翻译的目的是,对知识库的老三元组的嵌入式表示满足\(\boldsymbol {\rm
{h_r+r=t_r}}\),如果三首组的多少也\(T\),嵌入式表示的维度为\(d\),那么一共发\(T*d\)个方程式,而所需要学习之变量一共有\((E+R)*d\),其中\(E,R\)表示实体和干项目的数额。由于三老大组的多少极为好叫实体和事关项目的多寡,那么这种翻译模型有重的ill-posed
algebraic problem问题。

对于一个ill-posed
algebraic系统,所求得的解经常是未标准且无安宁的
,这吗多亏以往方无法进行准确链接预测的缘由之一。为是,本文提出一个因流形(manifold)的准,用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来取代\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。

除此以外,对于TransE的道,对于给定的头实体和涉嫌,应用叫\(\boldsymbol {\rm
{h+r=t}}\),所收获的尾实体几乎是一个点,这对多对准多关系而言肯定是无科学的,这是一致栽overstrict
geometric
form。前人的有方而TransH、TransR将实体和关联映射到片同涉及有关的子空间中来缓解这同题材,然而,这种题材在子空间被依然是。这种过于严厉的款式要导致引入大量底噪音元素,在链接预测的长河被无法准确预测。

如下图所示,越临近圆心组成是三冠组的可能性越来越怪,蓝色为正确的答案,红色为噪声,其中TransE的法子无法充分好地有别于,而本文提出的ManifoldE可以老好的区分噪声数据。

图片 3

——–方法介绍——–

正文提出用\(\mathcal{M}(\boldsymbol {\rm
{h,r,t}})=D_r^2\)用来替代\(\boldsymbol {\rm
{h_r+r=t_r}}\),其中\(\mathcal{M}\)是流形函数。打分函数定义为:

\[f_r(h,t)=||\mathcal{M}(h,r,t)-D_r^2||^2\]

对于\(\mathcal{M}\)的概念,其中同样栽为球体也流形。即对让定头实体和关联项目,尾实体在向量空间中遍布在以\(\boldsymbol {\rm
{h+r}}\)为球心的球面上,此时:

\[\mathcal{M}(h,r,t)=||\boldsymbol {\rm
{h+r-t}}||_2^2\]

此的向量可以动用Reproducing Kernel Hilbert Space
(RKHS)映射到Hilbert空间,以重新快速地特色流形。

图片 4

设想到球体不易交,而立或者引致有实体的损失,本文叙述可以坐超平面呢流形。即对于被定头实体和涉嫌项目,尾实体位于以\((\boldsymbol {\rm {h+r_{head}}})^{\rm
{T}}\)为方向、偏移量与\(D_r^2\)相关的超平面上。在空中被,只要简单只法向量不平行,这有限独超平面就见面发相交。流形函数定义如下:

\[\mathcal{M}(h,r,t)=(\boldsymbol {\rm
{h+r_{head}}})^{\rm {T}}(\boldsymbol {\rm {t+r_{tail}}})\]

本文叙述为了多被定头实体和涉及推理出准确的尾实体数量,对向量绝对值化:

\[\mathcal{M}(h,r,t)=|\boldsymbol {\rm
{h+r_{head}}}|^{\rm {T}}|\boldsymbol {\rm {t+r_{tail}}}|\]

其中,\(|\boldsymbol {\rm
{w}}|=(|w_1|,|w_2|,|w_3|,…,|w_n|)\)。

对于过去方存在的ill-posed问题,本文的主意对那于好地解决。以球形为条例,本文对于每个三元组只对许一个等式:\(\sum_{i=1}^{d}(h_i+r_i-t_i)^2=D_r^2\),所以一旦满足\(d\geq \frac {\#Equation}{E+R}=\frac
{T}{E+R}\)。要满足当下同规则只有需要方便多向量的维度,从而较好的实现准预测。

教练之历程是搭正例的分数,而减弱多少负例的分,目标函数如下:

\[\mathcal{L}=\sum_{(h,r,t)\in
\Delta}\sum_{(h’,r’,t’)\in \Delta
‘}[f_r'(h’,t’)-f_r(h,t)+\gamma]_+\]

试验结果显示该办法较好之兑现了精确链接预测(hit@1):

图片 5

笔者:本文提出前的意味学习无法比好之兑现规范链接预测,并提出造成该问题的有限沾由:ill-posed
algebraic problem
adopting an overstrict geometric
form
,并针对这点儿只点问题切中要害提出因流形的象征学习道,实验结果显示该办法较好之落实了准链接预测。

  网申感觉就是是生死攸关词筛选吧,仔细读工作的职责,然后简历还有三道开放修尽量能够起和职位相关的词,比如我网申的是品牌管理,最广大涌出市场营销、策划、推广、奖学金等字吧。然后三个放问题,我看是颇重要之,不知情HR到底有没有出看,不过自己可很认真写了,觉得这种题最好是能够分点来写,好于圈之人头进一步清楚,他们看得爽了你也许就是过了。

Text-enhanced Representation Learning for Knowledge Graph

  • 作者:Zhigang Wang and Juanzi Li
  • 机构:Tsinghua University

本文面向知识图谱的意味学习任务,提出使表面文本中的前后问信帮助知识图谱的代表学习。

正文叙述:TransE、TransH、TransR等办法无法充分好的解决不同等针对性同一关联,而且受限于文化图谱的数量稀疏问题,基于此本文提出应用外部文本中之上下问信帮助知识图谱的代表学习。类似距离监督,本文首先以实体回标到文本语料中;以此博得到实体词与其它关键单词的共现网络,该网可当做联系知识图谱和公事信息之要点;基于这网,定义实体和关系之文本上下文,并将那融入到知识图谱中;最后采取翻译模型对实业和关系之意味进行攻。

下图是一个简的图示:

图片 6

  关于笔试

Representation Learning of Knowledge Graphs with Hierarchical Types

  • 作者:Ruobing Xie, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

正文面向知识图谱的意味学习任务,提出融入实体类型信息帮助知识图谱的象征学习。

正文叙述:目前底大部分智专注让用知识图谱中三元组结构的代表学习,而忽视了融入实体类型的消息。对于实体而言,对于不同之色含义应该具有不同的代表。本文由Freebase中拿走实体的类型信息,并以那个层次化表示,并规划了少数种编码方式,对于不同的关系通过参数调整取得对应之实业表示。

  笔试主要是行测题,主要与公务员考一样吧。所以多练练应该没什么问题,而且这种题你有习跟没练差别真的好特别的,不过自己前面起看罢,所以基本没有怎么复习。中国移动的笔试题目类型有:逻辑推演\语言推理\数字推理\图形推理,90道题是100分钟,我感觉到并未几只人口能够开了吧,除非那些常刷题的。由于时日太紧所以我还是挑会的先做,所以至少不会见叫别人拉那基本上,过笔试应该是不曾问题的。

Knowledge Representation Learning with Entities, Attributes and Relations

  • 作者:Yankai Lin, Zhiyuan Liu, Maosong Sun
  • 机构:Tsinghua University

本文面向知识图谱的意味学习任务,提出以实体、属性、关系三独元素来展开表示学习。

正文提出对性能和涉及加以区分,并于表示学习之过程被分别对待,本文首先提出属性和涉及之界别,本文叙述:属性之价值一般是空洞的定义,如性别与工作等;而且通过统计发现,属性往往是大半对同的,而且对于特定的性能,其取值大多来源于一个聊集合,如性别。对涉嫌及特性采用不同的约措施开展独立表示学习,同时提出属性之间的再强的律关系。本文想法时,很值得借鉴。

图片 7

  关于一面

  一面对深圳店真正是群人,深圳公司暨揭阳公司是以13楼,揭阳公司便三四个屋子,然后另外房间都是深圳公司之,而且是一整天且是同等冲,所以自己估计起两三百人数吧。竞争力还是挺大的

  一面,房间1309

  面试题目:

  1、自我介绍 

  2、作品之说 

  3、计算机为什么要选市场营销 

  4、是独生子女吗? 

  5父母本着您的职业规划有没有产生啊观点? 

  6、为什么想只要进运营商 

  7、关于奖励的证书问题 

  8、有无出阴对象?

  面完其实产生种植不太爽的发,因为觉得自己类似从来不提很多之则,所以小缺憾,感觉温馨看似没什么梦想,进的概率不杀,而且上一个同班好像是称了颇漫长的。我大体说了挺钟吧。

  关于二面

  深圳铺的二面是在次上,而且总共就有限给,所以接受二面的电话着实是过开心!第二天及了酒店,才察觉一头真的是刷掉了同雅堆人之觉得,昨天相的凡一整本榜,今天不过发点儿页。估计为就算70丁左右咔嚓,而且还噙其他位置的,不过还是市场类的,技术类在另外一个间。

  二面是一个四十夏左右之爱人,看起格外和蔼可亲和蔼,所以面试氛围好好,我还带了作品,因为昨天作忘记写及名了,所以今天错过到果然就是不见了。

  二面问题:

  为什么选择市场营销?

  还有针对性创作继续问。

  说说市场营销中常用到的解析工具还有测试方法等。

  有无起套了消费者行为学,说一下客行为套的几乎独元素。

  说完面试官很好奇的咨询我这些文化且是从哪学的?

  问我之成绩。

  有没有起以过奖学金

  你姐夫是中国移动,说一下你姐夫在中国移动的观,觉得怎么?

  整场面试感觉真的是杀正确!!应该是本人起以前都现在表现的最好好的一致坏了,感觉温馨完全放开了,把该云的都开口了,而且学会去带动面试官进入我额话题圈里面,整场下来真的没什么遗憾。感觉应该有良挺机遇会进,不过六月之才能够掌握结果。。。不过呢没事,反正也不遗余力了了。。。good
luck!

——————————分割线—————————————

  嘿嘿,终于于6月25声泪俱下接到了中国移动的offer了,果然有付出就生出收获,所以大家在给每一样庙面试的时段都信以为真准备下,特别是国企比较重视专业知识,我以面试前便看了市场营销相关的书,面试的早晚就是能派上用场,不会见以有些题目报不起要吃面试官坏的记忆。

发表评论

电子邮件地址不会被公开。 必填项已用*标注

网站地图xml地图