单边区间集模糊半概念的知识表示及提取方法

为了使“区间”形式加以表述的不确定信息的提取具有侧重性,需提取出对象(属性)集对应的属性(对象)区间集。本文在模糊形式背景中,通过引入2个阈值,将单边区间集与经典半概念结合,提取出属性(对象)集对应的对象(属性)区间集,从而提出区间集外延–集合内涵(集合外延–区间集内涵)(interval set extent-set intent(set extent-interval set intent),ISE-SI(SE-ISI))型单边区间集模糊半概念。全体ISE-SI(SE-ISI)型单边区间集模糊半概念构成格,并给出基于格搜寻全体ISE-SI(SE-ISI)型单边区间集模糊半概念的算法。通过与已有成果对比,显示出这2种知识表示形式的多方优势。本文所得结果在知识表示及提取方法上具有适用范围广、实际应用强等优点。

缆机安全运行本体知识表示及复用方法

为解决缆机运行管理过程中,大量多源异构结构化和非结构化知识难以复用及知识管理效率低的问题,分析缆机安装和运维过程中积累的大量技术规范、专家经验等安全知识,提取缆机运行相关实体类,采用五元组模型结构化表达缆机安全运行本体知识,并建立类间二元关系,使用Protégé中的本体表达语言程序化表示;构建缆机实体、安全预警、应急预案3大领域本体知识库;采用3Dmax软件,构建缆机运行三维场景模型,导入Unity3D引擎,在用户界面和交互功能中,实现本体知识库知识检索;针对缆机各实体存在的安全隐患、事故实例、应急预案,构建完整的缆机安全运行知识检索三维可视化平台。结果表明:缆机安全运行本体知识库,能够集中统一管理各种缆机安全运行知识,结合知识检索平台,可实现知识的高效查询和复用。

面向信息公开的突发公共卫生事件知识表示模型构建

近年来,突发公共卫生事件频发给政府应急管理带来了极大挑战。政府及时公开事件信息有助于消除公众恐慌,对于疫情防控和社会经济发展至关重要。然而,当前突发公共卫生事件信息以碎片化、不连续、不完整方式散落在不同位置,未能较好地集成融合。如何对海量、多样、变化的信息进行描述与组织是政府应急管理的关键。因此,本文面向信息公开,融合知识图谱和事理图谱,构建突发公共卫生事件知识表示模型,并对其中的核心概念及关系进行表示,提出了一种既能刻画疫情时空演化状态,又能展示疫情信息的突发公共卫生事件信息组织方法。研究结果显示,本文构建的知识表示模型具有较好的垂直性质,能够展示较为丰富的概念关系和属性特征,大部分类能够得到实例填充。本文提出的知识表示模型为突发事件知识库构建提供新思路,扩充了突发事件信息组织的方法体系,有助于存量信息公开与价值释放,进一步满足公众的信息需求,提升应急管理效果。

面向个性化推荐的node2vec-side融合知识表示

推荐系统中知识图谱对系统的推荐效果起到很重要的作用,图谱中的知识表示成为影响推荐系统的关键因素,这也成为当前的研究热点之一。针对推荐系统中知识图谱的结构特点,在传统node2vec模型基础上增加关系表示和多元化游走策略,提出一种基于node2vec的知识表示node2vec-side,结合推荐系统知识图谱网络结构,旨在挖掘大规模推荐实体节点间潜在的关联关系,降低表示方式复杂度,提高可解释性。经过时间复杂度分析可知,提出的知识表示方式在复杂度上低于Trans系列和RGCN。在传统知识图谱数据集FB15K、WN18和推荐领域数据集MovieLens-1M、Book-Crossing、Last.FM上分别进行链接预测对比实验。实验结果表明:在MovieLens-1M数据集上,hits@10分别提升了5.5%~12.1%,MRR提升了0.09~0.24;在Book-Crossing数据集上,hits@10分别提升了3.5%~20.6%,MRR平均提升了0.04~0.24;而在Last.FM数据集上,hits@1提升了0.3%~8.5%,MRR平均提升了0.04~0.16,优于现有算法,验证了所提方法的有效性。

基于知识元理论的中风病古籍医案知识表示与古今双模知识图谱构建研究

目的基于知识元理论与知识图谱探索构建中风病古籍医案知识表示、知识解析、知识呈现、知识可视化分析的研究路径。方法构建中风病古籍医案“知识体-知识元-语义与语义关系”多粒度知识表示体系,基于知识元标引系统将文本解析为结构化数据,结合属性图模型进行图谱设计,使用Neo4j构建知识图谱并进行可视化呈现与分析。结果共纳入86部古籍的517则医案,形成包含2种知识体类型、19种知识元类型、27种语义类型及9种语义关系的知识表示体系。中风病古籍医案原文知识图谱拥有19种节点类型(8种虚拟节点)、15种关系类型,共计6363个节点、14697条关系;融合知识图谱拥有11种节点类型、11种关系类型,共计1229个节点、11456条关系。利用分层子图可视化与节点连通度分析方法,完成隐性知识探索推理。结论中风病古籍医案知识表示体系可指导古籍文本结构化表达与语义级别解析,为知识图谱构建提供系统性数据支持。古今双模知识图谱中的原文知识图谱侧重对复杂诊疗思路的可视化呈现,有利于提高医案查阅效率;融合知识图谱构建无标度网络,以群案为对象从宏观维度实现中风病隐性知识发掘。

人工智能偏见与冲突治理的内在主义进路及其知识表示

全球人工智能技术的发展呈现出寡头垄断与层级分化的格局。开发者的地域、文化、教育背景差异,以及训练数据的社会、文化、政治属性差异,正在加剧知识垄断和伦理垄断,放大文化偏见和价值观冲突。人工智能偏见和冲突的治理需要以大科学的研究理念,生成伦理与技术的同步链接,以确保技术与伦理的协同发展。伦理治理的内在主义进路具有哲学和技术两方面的学理基础:将伦理准则作为人工智能的逻辑起点而非评价标准,创造具有道德能动性的人工智能,是防范、化解偏见和冲突的有效策略;预训练-微调的技术范式和微调数据集是内在主义进路的技术基础。以本体表示法作为结构化伦理知识表达和语义推理的基础,设计再微调的技术路线和伦理数据集对大模型进行伦理智能优化,为建构人工智能的道德能动性提供了方法论和路线图。以中国伦理为例的本体知识表示,论证了人工智能偏见与冲突治理的内在主义进路何以可能。

基于超图嵌入的行车故障多元关系知识表示方法

鉴于常规知识图谱仅能处理二元关系,而故障知识包含大量“多现象—多原因—多方法”的多元耦合关系,强制转化将会破坏关系的完整性,造成严重的信息失真,为采用知识超图处理此类复杂多元关系以保证数据的完整性,设计了一种基于超图嵌入的行车故障多元关系知识表示方法。通过梳理行车故障单中现象、原因、方法等数据之间的多元关联,构建适用于表征多元耦合关系的行车故障本体模型,以该本体模型为知识超图的模式层建立行车故障知识超图;基于BERT模型和超图卷积网络获取故障知识的嵌入向量表示,并实现了相似故障检索。最后,以上海某钢铁公司收集的行车故障调查单为实例,验证了所提方法的有效性。

人工智能的知识表示和智识极限——从形式化/非形式化论争谈起

自人工智能诞生之日起,关于“知识”和“智能”的关系就成为人工智能的核心命题,它不仅关乎人工智能的路径选取和哲学意涵,更关系到智识的未来。“知识表示”作为人工智能的本体论工程,通过对知识的形式化完成对知识的再生产。在人工智能的发展历史中,一条脉络是对形式化知识表示的不断探索,另一条脉络是以非形式化为旗所展开的对人工智能知识表示的批判。借由这条围绕知识表示的双向线索,人工智能关于“知识”的技术理念和哲学偏向也得以明晰。生成式人工智能虽然在技术、产业和社会层面包揽星光,但它依然没有解决知识表示的形式化/非形式化论争的核心问题。今日的生成式人工智能依然需要在知识表示这一难题上继续求索,它以“标签”作为本体论,以“学习”作为隐喻法,却依然在“局势”这一层面难逃其智识极限。也因此,我们仍然需要在人工智能时代高扬人的用途。

多关系下图自注意机制增强的知识表示学习

知识图谱为表示多关系型数据的异构图。已有知识表示学习方法通过增加实体和关系嵌入之间的交互提高知识三元组表达能力,但无法使其蕴含多层次语义,即特定关系下实体具有的多重关联属性。图神经网络利用结构信息为实体的邻居节点分配权重,但无法对实体和邻居之间的复杂交互进行更精准的消息传递。为此,提出了基于自注意机制的知识表示学习模型(CompESAT),为聚合了邻居信息的复合实体引入自注意机制,依据不同邻居贡献度的变化动态更新实体表示。该模型编码器定义了多个图注意机制层来处理复合实体的多重局部特征,自适应地学习复合实体嵌入。解码器补充解码三元组的全局特征。链接预测任务中该模型在FB15k-237数据集上各项评价指标均有提升,MRR和Hit@10分别提升了0.042和0.045;在WN18RR数据集上,Hit@10提升了0.069。

基于知识表示增强的多模态知识图谱补全方法

目前,将知识表示学习应用于知识图谱补全任务以预测知识图谱中缺失的实体或关系取得了不错的成效,但多数传统的基于表示学习的补全方法仅考虑了经过数据构建后的三元组中的结构特征,这使得原始数据中丰富的文本、图像等多种模态信息未被有效利用。针对此问题,提出将三元组的能量函数定义为利用关系的文本特征和实体的多模态特征进行表示的子能量函数的总和,以充分发掘三元组中的语义信息。此外,针对不同的能量函数设计了一种多模态负采样策略,用以对齐实体的不同特征,提高知识表示的质量,提升对知识图谱补全的性能。在公开数据集DB15K和FB15K-237上进行链接预测实验,结果表明所提出模型具有较好的知识图谱补全能力。

小学阶段“知识表示与推理”AI课程的中美比较

近年来,人工智能教育逐渐渗透至中小学阶段,国内外相关课程标准的提出对进一步明确教学内容和教学目标有着重要的指示作用。作者采用国际比较的视角对两份具有广泛影响力的人工智能课程指南的课程定位、具体概念和目标要求进行分析、对比,发现小学阶段同样有必要涉及原理性知识的具体概念学习,但需结合学生的认知发展水平将目标要求设定在经验、映射等相对低阶的等级,这个结果将有利于教师深入开发具体的课程和开展教学实践。

基于知识表示学习的KBQA答案推理重排序算法

现有的知识库问答(KBQA)研究通常依赖于完善的知识库,忽视了实际应用中知识图谱稀疏性这一关键问题。为了弥补该不足,引入了知识表示学习方法,将知识库转换为低维向量,有效摆脱了传统模型中对子图搜索空间的依赖,并实现了对隐式关系的推理,这是以往研究所未涉及到的。其次,针对传统KBQA在信息检索中常见的问句语义理解错误对下游问答推理的错误传播,引入了一种基于知识表示学习的答案推理重排序机制。该机制使用伪孪生网络分别对知识三元组和问句进行表征,并融合上游任务核心实体关注度评估阶段的特征,以实现对答案推理结果三元组的有效重排序。最后,为了验证所提算法的有效性,在中国移动RPA知识图谱问答系统与英文开源数据集下分别进行了对比实验。实验结果显示,相比现有的同类模型,该算法在hits@n、准确率、F_(1)值等多个关键评估指标上均表现更佳,证明了基于知识表示学习的KBQA答案推理重排序算法在处理稀疏知识图谱的隐式关系推理和KBQA答案推理方面的优越性。

面向语义Web的知识表示框架

语义互联网 ( Semantic Web)主要在于提供计算机软件可处理的元数据 ( Metadata)描述和信息表达方式 .介绍了以 RDF( S)技术为基础的在 Web上表达知识信息的方法 ,讨论了运用 RDF( S)技术建立知识表示本体 ( Ontology) ,以及通过扩展基本的 RDF( S)描述集合方法来增强表示特定领域知识的能力 .提出了运用基于 RDFS技术的基本 RDF( S)元语集合、通用描述元语集合、公理描述元语集合和关系约束元语集合进行知识表示的技术框架 .使用这 4层元语集合 ,可以将一般领域的知识信息以 RDF( S)的方式存储在 Web平台上 ,并通过相应支持

基于Web本体语言OWL的知识表示

知识表示的方法论研究是知识管理系统研究中重要的问题,提出将Web本体语言OWL应用到知识表示中。为此,从OWL语言的表示能力,针对不同用户群的分层,可操作性,可扩充性等方面进行了简要地分析。然后,以高校教育资源的知识表示为例,说明了OWL的知识表示过程。基于OWL的知识表示是一种表达能力较强,语法独立,可扩充的,适用于分布式系统的知识表示方法。

框架式成本降低知识表示体系研究及实现

降低成本求解是一个复杂的基于知识的推理过程,科学的知识表示结构是合理推理的基础。从阐述全生命周期机械产品成本项目组成及特点入手,分析了各成本项目成本降低知识的特点,提出了采用符合其特点的分层次的框架式方法表示成本降低知识,描述了如何在数据库中具体实现框架式成本降低知识表示。

基于粗糙集的不确定知识表示方法

本文基于粗糙集的基本理论，分析了知识的构成及表达机理，定义了用于知识表示的特征集和原子概念，并在此基础上提出了一种知识表示特征集模型。该模型对确定性知识可进行精确表达；而对不确定性知识则采用逼近的方式来描述。本文提出的特征集模型为不确定知识的表示提供了新的思路。

基于问题的面向对象知识表示方法的研究

基于问题的面向时象知识的表示方法,克服了构建知识库过程中对知识进行形式化的繁杂的过程和以纯文本作为检索对象效率低的缺点。这种方法以问题类别作为属性的标记,并标注在原始文本中,利用已标记的文本作为知识库的组成元素,关系数据库储存对象的类属关系。在以文本作为知识库元素的问答系统中用基于问题的面向对象知识表示方法,使得通过对问话的分析就能够迅速地找到答案的位置,提高了直接从原始文本中进行信息提取的效率。

乒乓球比赛数据的知识表示与知识获取模型构建

运用知识工程中的知识表示模型,构建了基于动态区域网格技术的乒乓球比赛知识表示和知识获取模型,该模型可以对比赛数据进行完整、准确的描述,并记录一场比赛的所有信息.在此基础上,对乒乓球比赛中获得的数据进行科学、合理的表示,并将它们纳入一个有机的整体中,这样不仅能为乒乓球比赛的技术分析提供准确、有效的数据来源,而且能完整的体现乒乓球比赛的知识特点,从而有效地提高教练员的工作效率,加快运动训练的科学化进程.

基于本体的几何学知识获取及知识表示

文中研究了基于本体的几何学知识获取,并运用此方法获取几何学领域中的类、属性、关系及公理等;同时,研究了基于本体的知识表示,并将几何学知识转化为该领域本体,用RDF/OWL的形式进行描述.在此基础上构建了一个可共享、可重用、可扩展的几何学本体,形成了一套较完整的几何学知识获取和知识表示体系,将其应用于建立几何学知识库,可大大提高知识搜索和知识推理的效率,并为几何学专家系统、几何学信息检索、几何学教育系统、自然语言理解等领域提供智能基础.

知识表示学习研究进展

人们构建的知识库通常被表示为网络形式,节点代表实体,连边代表实体间的关系.在网络表示形式下,人们需要设计专门的图算法存储和利用知识库,存在费时费力的缺点,并受到数据稀疏问题的困扰.最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为稠密低维实值向量,知识表示学习则面向知识库中的实体和关系进行表示学习.该技术可以在低维空间中高效计算实体和关系的语义联系,有效解决数据稀疏问题,使知识获取、融合和推理的性能得到显著提升.介绍知识表示学习的最新进展,总结该技术面临的主要挑战和可能解决方案,并展望该技术的未来发展方向与前景.