基本概念“aspect”
aspect term、aspect category、aspect opinion、aspect opinion pair类似于键值对
nlp中aspect相关知识
Embedding概念

流形假设是指“自然的原始数据是低维的流形嵌入于(embedded in)原始数据所在的高维空间”。那么，深度学习的任务就是把高维原始数据（图像，句子）映射到低维流形，使得高维的原始数据被映射到低维流形之后变得可分，而这个映射就叫嵌入（Embedding）。比如Word Embedding，就是把单词组成的句子映射到一个表征向量。
Embedding就是从原始数据提取出来的Feature，也就是那个通过神经网络映射之后的低维向量。

ACE相关知识

事件抽取：Event extraction 变为Nugget detection
rnn相关知识

rnn循环神经网络

cnn最大池化层、前向传播，反向传播

特征提取

• 专有名词翻译
  discriminator分辨器
  adversarial 对立的、对抗的
  GAN Generative Adversarial Network生成对抗网络
  generator+discriminator
  对抗训练示意
  注：图中的黑色虚线表示真实的样本的分布情况，蓝色虚线表示判别器判别概率的分布情况，绿色实线表示生成样本的分布。
  我们的目标是使用生成样本分布（绿色实线）去拟合真实的样本分布（黑色虚线），来达到生成以假乱真样本的目的。

可以看到在（a）状态处于最初始的状态的时候，生成器生成的分布和真实分布区别较大，并且判别器判别出样本的概率不是很稳定，因此会先训练判别器来更好地分辨样本。
通过多次训练判别器来达到（b）样本状态，此时判别样本区分得非常显著和良好。然后再对生成器进行训练。
训练生成器之后达到（c）样本状态，此时生成器分布相比之前，逼近了真实样本分布。
经过多次反复训练迭代之后，最终希望能够达到（d）状态，生成样本分布拟合于真实样本分布，并且判别器分辨不出样本是生成的还是真实的（判别概率均为0.5）。也就是说我们这个时候就可以生成出非常真实的样本啦，目的达到。

极大似然估计概率

极大似然估计在机器学习上比较重要

交叉熵损失函数推导过程

Graph Convolutional Network, GCN 图卷积神经网络
mechanism机制，self-att self attention自注意力机制
CRF Conditionl Random Field 条件随机场

navigate 航海;横渡;找到方法