arxiv
Facebook AI
2015.03

本文主要是为了解决之前提出的《Memory Networks》存在的问题：Memory Networks 训练中难以进行反向传播的计算，且网络的每一层均需要 supervision。

其实这缺陷就是因为 Memory Networks 不是端到端的，因此本文提出 End-to-End Memory Networks（MemN2N）来解决这个问题。

本文框架来源于 Memory Networks ，又可以看作是具有多步计算的 RNNsearch

实现：MemN2N-tensorflow

主要工作

• 提出 end-to-end memory networks 架构

arxiv
Facebook AI
2015.06

主要工作

• 创造了数据集 SimpleQuestions，用于评估 现有系统的覆盖率 和 不同数据源使用多任务学习进行联合训练的可行性（迁移学习）
• 提出了基于 Memory Networks（MemNNs）框架的 embedding-based QA 系统

arxiv
Facebook AI
2014.10

现有 RNN 在需要大量长期记忆（long-term memory）的任务中表现的并不好，而 KBQA 这类任务需要依赖这种大量的长期记忆来保存 KB，因此本文提出了 memory networks（MemNNs）来解决这个问题。这篇就是 MemNNs 的来源。

2014.10 Google DeepMind 有一篇 《Neural Turing Machines》也是用于解决 long-term memory 问题的，算和 MemNNs 是竞争关系吧。

主要工作

• 提出用于解决 long-term memory 问题的 memory networks 架构

结论：textArea 的 Placeholder 可以使用
作为换行符

结论：提前创建数据库再执行docker exec -u postgres -i [postgres_container] pg_restore -d postgres < ~/db.backup

结论：尽量避免使用vector<bool>，可以用deque和bitset替代