基于知识图谱多跳推理的中文矿物知识问答方法与系统

已有相关矿物数据库用于存储和查询相关矿物知识,常用的搜索引擎也可以对矿物知识进行查询,但无法回答用自然语言进行提问的矿物问题,查询返回的答案需要进一步筛选。亦有基于知识图谱进行矿物知识问答的相关研究,但只能回答涉及知识图谱中一个三元组的简单问题,无法回答涉及多个三元组的多跳复杂问题。为此,本文提出基于知识图谱多跳推理的矿物复杂知识问答方法,采用ComplEx模型将矿物实体、关系和问句表示为复数向量,以更好地获取相互之间的语义及推理关系。输入矿物问句后,通过Bert-LSTM-CRF获取其中心词,采用基于编辑距离及分词的方法获得中心词的候选实体集合,然后采用全连接网络确定最相关的实体作为推理起点,与矿物问句拼接后通过全连接网络获得当前跳的最相关关系。根据当前跳的起始实体及最相关关系,在矿物知识图谱中获得另一实体作为下一跳的推理起点,并将下一跳的问句更新为原问句,与当前跳最相关关系拼接,以将当前跳的推理信息带入到下一跳推理中,直到获得的最相关推理关系为预定义的结束标识符,推理结束,返回最后一跳的实体为答案,并给出推理路径。采用Python语言,在Tensorflow框架下实现了本文提出的矿物复杂知识问答并与相关模型进行对比,证明了本文方法的有效性。采用前后端分离架构,使用RESTful API、React、Ajax、echarts和Flask等框架和技术,开发了基于知识图谱多跳推理的矿物复杂知识问答系统,为矿物知识获取及相关地质研究提供了平台和工具。

利用知识图谱的多跳可解释问答

基于知识图谱的多跳问答需要分析和理解自然语言问题并在知识图谱的实体和关系上经过多次推理获取答案,是自然语言处理的重要研究领域.现有的模型一般通过知识图谱与问题嵌入,利用神经网络推断答案;或使用一阶逻辑规则结合概率方法预测答案;前者缺乏可解释性,后者在复杂问题中性能欠佳.为解决上述问题,本文提出一种基于知识图谱的多跳可解释问答方法(MIQA),它通过在实体间的多次跳跃推理来获取答案.MIQA首先使用BERT预训练模型获取自然语言问题表征向量以及问题分词后的词向量矩阵,在每一跳中,结合问题向量提取问题当前时刻的特征向量,根据特征向量的分类结果计算下一跳的关系分数和实体分数,多次跳跃后,综合分数最高的实体被作为答案,而获取该答案所对应的路径为推理路径.该方法推理准确率高,同时具有明显的可解释性.在MetaQA、WebQuestionsSP、ComplexWebQuestions这3个数据集上,通过和其他8个知名算法相比较,仿真结果表明MIQA性能优异,达到了当前的SOTA.

一种基于多跳注意残差网络的调制识别算法

为了进一步提升通信信号调制识别的准确率,在ResNet网络的基础上提出一种基于多跳注意残差网络(Multi-skip Attention Residual Network,MARN)的调制识别方法。该方法利用提取不同特征的卷积核进行多跳连接构建3种残差块,进而构建多跳残差网络,提取信号的时域特征;加入CBAM(Convolutional Block Attention Module)注意力机制自适应地调整通道权重,加强信号特征的表征能力;采用自适配归一化(Switchable Normalization,SN)加速网络收敛;加入丢弃率为0.3的AlphaDropout层,提高算法的拟合能力,最终实现对通信信号端到端的分类识别。在RadioML2018.01a数据集上仿真实验,结果表明在信噪比为-10~15 dB下,MARN网络平均识别率达到63.3%,较ResNet网络的平均识别率提升3.7%。

基于多跳网络的安全生产监测系统设计研究

随着计算机网络技术的快速发展,使得煤矿安全生产管理工作有了进一步的提高。然而,煤矿事故频繁发生,传统安全生产监测系统面临着迫切的升级。为解决煤矿安全生产过程中存在的无法精准检测导致的生产安全问题,文章提出了一种基于多跳网络的安全生产监测系统。该系统的设计通过计算机网络和煤矿重要生产节点之间形成了多跳网络,实现了对煤矿不同生产地点的情况进行实时有效监测。同时,该系统的设计主要利用无线通信传感器技术,实现对矿井下安全生产数据的采集,并利用无线通信网络将数据传输到对应的服务器中,利用煤矿安全生产监控系统对数据进行充分挖掘,以此来检测煤矿生产是否安全。最后,经测试证明,文章提出的系统能够有效实现对矿井生产安全过程的监测。

用于实体对齐的多跳邻域联合采样方法

实体对齐的目的是寻找不同知识图谱中指向同一概念的实体,然而不同知识图谱之间的结构异构性增加了实体对齐的难度.现有方法主要使用实体邻域信息来降低结构异构性,但仍未对邻域的构建进行优化.因此,提出一种用于实体对齐的多跳邻域联合采样方法.首先使用图卷积神经网络得到两个知识图谱中实体的嵌入向量;其次使用多跳邻域联合采样机制,基于邻居实体在本实体多跳子邻域中的复现频次,计算出邻居实体的结构采样权重,基于邻居实体与本实体间的语义相似度,计算出邻居实体的语义采样权重,联合结构采样权重和语义采样权重,遍历所有实体,为每个实体采样多跳邻居,构建出各自的多跳邻域;之后将这些实体及其候选实体间的多跳邻域跨图交互信息聚合于实体嵌入向量中,最后计算嵌入向量间的对齐距离.在实体对齐公共数据集DBP15k的3个跨语言子集上进行实验,相较于基线模型,所提方法在Hit@1指标上分别提升3.3%,3.5%和1.8%.实验结果表明所提方法能有效提升实体对齐结果的准确性.

基于层次结构图的多跳知识图谱问答模型

知识图谱问答(KBQA)旨在理解用户的自然语言问句,在结构化的知识图谱中通过检索、推理等手段来获取答案实体。近年来,多跳KBQA备受关注,然而,复杂问句中通常存在多个关系意图,已有KBQA方法大多忽视了推理关系链的关系顺序问题。为此,提出一种基于层次结构图的多跳知识图谱问答模型(HSG-KBQA),建模自然语言问句的关系层次顺序,指导模型在每个推理步选择合理的关系意图。设计一种层次结构图,显式地体现问句中关系的层次距离,利用LSTM-BiGCN编码层将词语间的依存信息编码到问句中;提出虚拟节点的概念,利用图池化技术过滤不重要的节点,学习推理过程中知识图谱的状态;设计基于注意力机制和层次权重的解码器来优化指令生成,使推理指令更匹配问句中的关系链顺序。实验结果表明,HSG-KBQA在WebQuestionsSP数据集上取得了71.3%的Hits@1分数,在PathQuestions数据集上取得了97.3%(PQ-2H)和89.7%(PQ-3H)的Hits@1分数,均优于对照基准模型,表明HSG-KBQA模型在KBQA任务中具有更好的性能。

两阶段文档筛选和异步多粒度图多跳问答

多跳问答旨在通过对多篇文档内容进行推理,来预测问题答案以及针对答案的支撑事实。然而当前的多跳问答方法在文档筛选任务中旨在找到与问题相关的所有文档,未考虑到这些文档是否都对找到答案有所帮助。因此,该文提出一种两阶段的文档筛选方法。第一阶段通过对文档进行评分且设置较小的阈值来获取尽可能多的与问题相关文档,保证文档的高召回率;第二阶段对问题答案的推理路径进行建模,在第一阶段的基础上再次提取文档,保证文档的高精确率。此外,针对由文档构成的多粒度图,提出一种新颖的异步更新机制来进行答案预测以及支撑事实预测。提出的异步更新机制将多粒度图分为异质图和同质图来进行异步更新以更好地进行多跳推理。该方法在性能上优于目前主流的多跳问答方法,验证了该方法的有效性。

基于变形图匹配的知识图谱多跳问答

知识图谱问答(KGQA)是给定自然语言问题,对问题进行语义理解和解析,进而利用知识图谱进行查询、推理得出答案的过程。但知识图谱通常是不完整的,链接缺失给多跳问答带来许多挑战。许多方法在利用知识图谱嵌入时忽略了重要的路径信息来评估路径和多关系问题之间的相关性;且使用文本语料库也会限制文本增强模型的可扩展性。针对这些现有方法的缺陷,提出了基于变形图匹配的知识图谱问答(DGM-KGQA)模型,该模型同时利用问题和主题实体构建语义子图,与知识图谱的局部结构匹配并找到正确答案。在基准数据集MetaQA上的实验结果验证了DGM-KGQA的有效性,该模型在完整知识图谱上检索到的答案准确率分别比PullNet、EmbedKGQA增加了4.2%、0.8%;在完整度仅有一半的知识图谱上检索到的答案准确率分别比PullNet、EmbedKGQA增加了11.1%、0.5%。实验证明提出的变形图匹配模型能够有效地增强知识图谱的关联性及多跳问答的答案准确率。

一种基于变分多跳图注意力编码器的深层协同真值发现

大数据时代,数据价值的释放经常需要融合多源数据,数据冲突成为这一过程中无法避免的关键问题。为了从冲突数据中筛选出真实声明以及可靠数据源,研究人员提出了真值发现方法。然而,现有的真值发现大多注重数据源与声明之间的直接协同信息,忽略了更深层的间接协同与对抗信息,导致不足以表达出数据源与声明的特征。针对此问题,提出了基于变分多跳图注意力编码器的真值发现方法(TD-VMGAE),基于数据源与声明之间的包含关系构建二分图网络,采用多跳图注意力层为每个节点表征汇聚间接协同信息以及对抗信息,并设计真值发现变分自编码器,抽取节点表征中所需的分类分布,对数据源和声明进行协同分类。实验结果表明,所提方法在3个不同尺度的数据集中均有不错的表现,消融实验和可视化也验证了所提方法的有效性和泛化能力。

车载毫米波网络中IRS辅助的多跳V2V链路选择

多跳车辆与车辆(V2V)通信可以有效改善车载毫米波网络的连通性和覆盖范围,但是多跳转发会带来时延开销。智能反射面(IRS)可以提供反射增益以补偿远距离传输的高路径损耗,从而增加单跳传输距离,减少转发跳数。利用IRS辅助多跳V2V通信,能够减少转发跳数,降低时延开销。针对现有链路选择机制大多忽略转发车辆之间资源和信号冲突的问题,为车载毫米波网络中IRS辅助的多跳V2V通信提出一种基于向前转发效率和空间复用时分多址接入(FE-STDMA)的链路选择机制。综合转发距离、链路质量和传输时间评估候选链路的向前转发效率,将其作为链路选择的依据。在链路选择中利用空间复用实现并发传输,通过时分接入缓解转发资源冲突问题,从而最大化网络资源利用率。仿真结果表明,FE-STDMA机制的多跳时延相比于NFP机制平均降低49.88%,交付率远高于MFR和RFP机制,相比于NFP机制平均提高11.11%。与常用链路选择机制相比,FE-STDMA机制可在保证交付率的同时大幅改善多跳时延。

基于邻域跟随的车联网多跳分簇稳定性研究

针对车联网计算卸载需求量大及车辆网络拓扑变化随机性强的问题,本文提出一种基于邻域跟随的车辆多跳分簇方法,并采取多指标综合加权的方式研究其稳定性特征.现有针对车辆分簇的研究方案普遍存在指标单一化、分簇机制局限于单跳或固定跳数、分簇效率低及缺少簇头替换机制等问题.鉴于邻域跟随策略稳定性较优且分簇效率较高等特性,本文提出车辆基于邻居节点内综合指标最优准则选择稳定性最好的节点跟随方案,通过去环和剪枝算法使得车辆的跟随结构规范且扁平化,进而形成一个稳定性更高的车辆簇,并利用主从簇头和簇维护机制增强车辆簇的鲁棒性.仿真结果表明,与现有的车辆分簇方法相比,所提算法在簇稳定性和分簇效率上均具有较好的性能.

基于多跳分簇算法的异构融合通信网络节点负载均衡方法

针对网络节点负载不均衡、节点能量消耗较大、网络吞吐量较低的问题,提出基于多跳分簇算法的异构融合通信网络节点负载均衡方法。依据异构融合通信网络实时(RT)和非实时(NRT)业务的服务质量满意度,应用效用函数结合三角模融合算子,将重载网络通信业务转移至轻载网络,实现异构融合通信网络业务负载均衡;运用多跳分簇路由算法,依据节点位置和其所剩能量选取簇头,通过减少网络边缘的簇头数量,节省网络能量消耗,通过簇头节点剩余能量和链路权值大小选取下一路由,构建簇间路由通信机制,实现异构融合通信网络节点负载均衡。在实验验证方面,在5.5×15^(3)个周期时,存货节点为0,吞吐量最高可达到13.5×15^(4)bit,出色地完成异构融合通信网络节点负载均衡,合理选取簇头节点,减少节点能量的消耗,提升节点生存周期和网络吞吐量。

预训练语言模型特征增强的多跳知识库问答

知识库问答(knowledge base question answering,KBQA)是一个具有挑战性的热门研究方向,多跳知识库问答主要的挑战是非结构化的自然语言问题与结构化的知识库推理路径存在不一致性,基于图检索的多跳知识库问答模型善于把握图的拓扑结构,但忽略了图中结点和边携带的文本信息。为了充分学习知识库三元组的文本信息,构造了知识库三元组的文本形式,并提出了三个基于非图检索的特征增强模型RBERT、CBERT、GBERT,它们分别使用前馈神经网络、深层金字塔卷积网络、图注意力网络增强特征。三个模型显著提高了特征表示能力和问答准确率,其中RBERT结构最简单,CBERT训练最快,GBERT性能最优。在数据集MetaQA、WebQSP和CWQ上进行实验对比,在Hits@1和F1两个指标上三个模型明显优于目前的主流模型,也明显优于其他BERT的改进模型。

基于对比训练图嵌入的知识图谱多跳问答

在不完全知识图谱上进行问答的研究中,现有方法通过知识图谱嵌入与问题嵌入的联合训练对问题进行推理时,多跳问题上的性能比单跳问题上的性能有显著下降。为缓解以上问题,提出一种使用对比训练的知识图谱嵌入提高模型节点预测能力,结合关系链筛选答案的方法。使用对比训练图嵌入和问题嵌入联合训练,得出候选答案并筛选出正确答案。在Meta-QA数据集上验证该方法的有效性,在不完全知识图谱上对比基准模型Embed-KGQA有6.4%的3-hop准确率提升。

基于多层次信息融合的多跳机器阅读理解

以往机器阅读理解模型中存在文本特征提取单一,文本和问题的交互信息不全面等问题,导致模型不能充分对文本进行理解,本文提出了一种多层次信息融合的机器阅读理解模型.通过在不同位置使用不同方法,对文本信息进行多种层次的获取.使用膨胀卷积网络捕捉文本的全局信息,采用双向注意力机制和自注意力机制融合文本和问题之间的交互信息,通过指针网络预测答案及其对应的支撑句.该模型在CAIL2019和CAIL2020阅读理解数据集上训练的联合F1值分别达到50.09%和58.44%,相比于其他基线模型取得了明显的性能提升.

基于文本知识的多跳推理综述

基于文本知识的多跳推理是一种从大规模文本知识库中选择和组合相关知识,以回答复杂问题或验证假设的过程。这种能力可以显著提高自然语言处理系统的实用性,因此基于文本知识的多跳推理已经成为自然语言处理领域的研究热点。然而,该任务面临两大挑战:1)如何从海量语料库中准确地选择推理所需的知识;2)如何通过多步语义合成进行有效推理。针对这些挑战,该领域出现了许多优秀的工作,但是尚缺乏对该领域的综述。因此对该领域的相关工作进行梳理和总结。首先给出多跳推理以及基于文本知识的多跳推理的定义;其次,分析、比较了当前流行和高质量的基于文本知识的多跳推理数据集;再次,对已有的知识选择方法进行分类,并分析各类方法的优缺点;继次,对已有的推理方法进行分类讨论;最后,探讨了该领域未来可能的发展方向。

多跳中继网络隐蔽通信设计与实验分析

针对随机分布多跳中继网络存在的通信安全问题,提出了一种基于强化学习的智能路径选择方案。该方案考虑单密钥和独立密钥传输2种情况,分别对监测者的检测性能进行了探究,并基于隐蔽约束确定了各中继的最佳功率分配。最后,基于强化学习技术实现了多跳网络传输路径的智能选择,以保证传输的隐蔽性,并最大化系统的隐蔽吞吐量。结果表明,单密钥方案所选路径倾向于绕开监测者所监测的区域,而独立密钥方案所选路径可以穿过监测者的监测区域,并且独立密钥所能达到的系统增益显著优于单密钥。

基于知识图谱嵌入的路径增强多跳问答方法

提出一种基于知识图谱嵌入的路径增强多跳问答方法,构建了“比较-聚合”框架,该框架可以增强问题到答案的路径,解决了以往模型中没有充分利用路径和自然语言的问答顺序而造成的问答效果不理想的问题;设计了不同比较函数,最终选择SUBMULT+NN作为比较函数效果较好;在两个开放领域基准的问答数据集MateQA与WebQuestionsSP上进行实验,相比较于以往的多跳问答方法在完全知识图谱上均有所提升,在不完全知识图谱上表现优异。

C-V2X中基于CSA-GA的多跳广播算法

高效可靠的多跳广播算法可以有效降低交通异常事件对交通的影响。在车联网中,由于车辆高速移动和车辆间通信链路频繁丢失,使得设计高效可靠的多跳广播算法颇具挑战。鉴于此,提出一种基于乌鸦搜索算法和遗传算法的多跳广播算法。划分了异常事件影响区域;为稳定可靠地将消息转发至影响区域,综合考虑多种因素,设计了评价模型;为适应车联网的复杂环境,针对不同道路区域设计了不同的转发策略;针对中继节点选择问题,设计了基于乌鸦搜索算法和遗传算法的优化算法;使用OMNeT++工具进行仿真。结果表明,在每跳平均时延、冗余率和分组投递率3种常用指标下,所提算法性能较其他算法均有不同程度提升。

OBS多跳网络中分割丢弃不公平性解决方法的研究

本文给出了一个在光突发交换网络中解决多跳分割丢弃不公平性的改进方法,该方法不但保留了原有方法的可以保证多跳网络中数据包丢失率的一致性优点,而且还减小了损失,增大了网络吞吐量。最后通过仿真验证了该方法的有效性,对实际网络的设计有一定的理论指导意义。