jimfleming/recurrent-entity-networks
این پروژه یک پیاده‌سازی با استفاده از TensorFlow از مدل **Recurrent Entity Network** (EntNet) است که در مقالهٔ "Tracking the World State with Recurrent Entity Networks" معرفی شده است.
کاربرد:
این شبکه برای پردازش داستان‌ها و درک موقعیت دنیای مجازی در حین خواندن یک داستان طراحی شده است. به عبارت دیگر، می‌تواند اطلاعات موجود در جملات قبلی را به‌روز نگه دارد و برای پاسخ به سوالات دربارهٔ داستان، از حافظهٔ پویای خود استفاده کند.
در چه شرایطی بهتره استفاده شود؟
وقتی با داده‌های ترتیبی کار می‌کنید که نیاز به حفظ و به‌روزرسانی اطلاعات موجودیت‌های مختلف دارید، مثل:
- پاسخ‌دهی به سوالات دربارهٔ داستان‌ها
- پیش‌بینی اقدامات بعدی در محیط‌های شبیه‌سازی شده
- مدل‌سازی حافظه در سیستم‌های هوش مصنوعی که باید وضعیت دنیا را دنبال کنند
چند مثال از موارد استفاده:
- پاسخ به سوال "اکنون توپ کجاست؟" پس از خواندن چند جمله از یک داستان کوتاه
- پیگیری رابطه بین شخصیت‌ها در یک داستان چندقسمتی
- استفاده در بازی‌های هوش مصنوعی که نیاز به درک پویای دنیا دارند
- ##RecurrentEntityNetwork
- ##TensorFlow
- ##AI
- ##MemoryNetworks
- ##QuestionAnswering
- ##NLP
- ##DeepLearning
- ##EntNet
- ##StoryUnderstanding
- ##KnowledgeTracking