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。

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。

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。

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。

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。

融合文本描述和层次类型的知识表示学习方法

现有的知识表示方法只考虑三元组本身或一种额外信息,没有充分利用外部信息对知识表示进行语义补充,为此提出一种融合文本描述信息和层次类型信息的知识表示学习方法.使用卷积神经网络(CNN)从文本中提取特征信息;使用基于注意力机制的卷积神经网络区分不同关系的特征可信度,以增强实体关系结构向量在现有知识图谱中的表示,获得丰富的语义信息;使用加权层次编码器来构造层次类型投影矩阵,将实体的所有层次类型投影矩阵与特定关系类型约束结合起来.在WN18、WN18RR、FB15K、FB15K-237和YAGO3-10数据集上,进行链接预测和三元组分类等任务,以分析和验证所提模型的有效性.实验结果表明:在实体预测实验中,所提模型与TransD模型相比,MeanRank(Filter)降低了11.8%,Hits@10提升了3.5%;在三元组分类实验中,所提模型的分类精度比DKRL模型提高了8.4%,比TKRL模型提升了8.5%,充分证明利用外部多源信息能够提高知识表示能力.

古籍注疏的知识表示与语义化建模研究

注疏是对古代典籍注释及再注释而形成的文本,不仅反映注疏者对古籍文本的认知理解,也是后人理解、传承与传播思想与文化的重要基础。利用本体和纳米出版物等语义技术对注疏文本进行知识表示和语义化建模,可以揭示注疏文献中蕴含的知识间的语义关系,并实现注疏文献的语义化出版与再造。为验证注疏知识表示和语义化建模方法的可行性及实用性,本文设计了包含引用关系的阐释本体,并以部分注疏文本为语料,实现了以纳米出版物为独立出版单位的注疏语义化表示与引用关系推断。实验证明,阐释本体可作为单语篇注疏知识单元结构化和跨语篇注疏知识单元关联化的数据模型,助力注疏文献的数据化处理与价值增值。注疏知识的语义化表示路径可以为古籍知识库建设、语义出版和数字化再造提供参考。

基于知识表示向量的可解释深度学习模型及其疾病预测应用

近年来,深度学习方法广泛应用于各种疾病预测任务,甚至在其中一些方面超过了人类专家。然而,算法的黑盒性质限制了其临床应用。对此,本文结合知识表示学习和深度学习方法构建了一种融入知识表示向量的可解释深度学习模型。该模型首先依据体检指标正常范围构建体检指标与检测值之间的关系图,并通过基于知识表示学习的深度学习模型对人体体检指标与检测值关系图进行编码,然后将患者体检数据表示为向量,输入到构建的自注意力机制和卷积神经网络构建的分类器中来实现疾病预测。将模型应用于糖尿病预测实验中,其准确率和召回率均优于对比的机器学习方法。与表现较优的随机森林算法相比,模型的准确率和召回率分别提升了0.81%和5.21%。实验结果表明,通过可解释性方法将知识表示学习和深度学习技术融合应用于糖尿病预测,可以达到对糖尿病的早期发现与辅助诊断的目的。

基于知识元的细粒度医学量表文档知识表示框架构建

针对当前医学量表资源组织与服务粒度相对粗放问题,提出一种细粒度医学量表文档知识表示框架,促进医学量表资源的语义化组织与服务。以常用心理卫生评定量表为例,针对量表文档内容特征,基于知识元理论,分析量表文档蕴含的内容知识元、内容知识元集合及其语义关系,描述形成一种细粒度、层次化的量表文档知识表示框架。该框架包含1个量表实体知识元、6类核心功能修辞结构知识元和74个内容知识元,并定义其间存在的层级关系和8类相关关系。应用本框架进行医学量表资源知识表示与处理控制,可提升医学量表资源的语义化组织与服务能力。

基于知识元标引与知识图谱的中医古籍知识表示、获取与发现研究

中医古籍是记录和传承中医药的重要载体,蕴含着海量的医学知识,但现有的古籍知识表示与获取方法未能充分挖掘其中的动态知识与诊疗思维。本研究利用知识元标引与知识图谱技术深入解析不同类型的中医古籍体例、内容以及知识内核,提出了“病脉证并治”知识元语义网络表示模型,优化了现有的知识元标引方法,进而构建蕴含中医诊疗思维的中医古籍知识图谱。并利用Neo4j数据库的Cypher查询语句在知识图谱中对消渴病进行了临床特征、“三消”分治、与胰相关等知识发现,为中医理论与临床创新提供了新思路。

基于知识表示学习的知识图谱补全研究进展

知识图谱(KG)是一种基于图的数据结构,其知识是以三元组的形式呈现,即(头实体,关系,尾实体)。随着人工智能的发展,知识图谱已在系统推荐、智能问答、知识搜索等领域发挥了重要作用。然而构建的知识图谱具有不完整性,影响了知识图谱的下游任务应用,知识图谱补全能够很好地解决这一问题。近年来,基于知识表示学习的知识图谱补全方法成为研究的热点,其以表示向量的形式在低维连续向量空间中学习实体和关系的嵌入特征,旨在预测未知的事实信息进行知识图谱补全。根据KG类型的不同,将其分为静态知识图谱补全、时序知识图谱补全以及多模态知识图谱补全,对这三类知识图谱补全方法拟解决的关键问题、设计思路、模型评价等方面进行对比总结,展望知识图谱补全未来的发展方向,为相关领域的研究人员提供参考。

基于知识表示学习的名老中医治疗肺癌用药知识自动化补全研究

目的针对名老中医治疗肺癌医案用药知识库构建任务,实现知识库的自动化补全。方法设计名老中医治疗肺癌用药知识补全方法,对症状、诊断、中药、舌象和脉象之间的相关性进行分析,并根据阈值进行划分,在组成初始知识库的基础上使用CrossE知识表示模型结合负采样技术学习知识库中各实体和关系在向量空间中的嵌入表示,通过链路预测任务挖掘知识库中的隐藏关系。结果在对医案中各实体进行皮尔逊相关性分析的基础上利用CrossE模型所预测的关系在Hit@1、Hit@3、Hit@5和Hit@10指标上分别达到了16.19%、29.12%、35.85%和47.60%,在MeanRank指标上达到了13.19。相较TransE、TransR等模型,有显著提升。结论使用知识补全技术结合中医临床实践可以深入挖掘名老中医治疗肺癌的隐藏知识。

基于多视图知识表示和神经网络的旅游领域实体对齐方法

针对目前旅游领域实体对齐任务中的长尾实体过多和现有知识以及标注数据稀缺的问题,提出一种基于多视图知识表示和神经网络相结合的实体对齐方法。采用预训练模型完成多视图的知识表示学习,获得了实体的结构嵌入、关系嵌入和描述信息嵌入,然后利用卷积神经网络对结合了三种视图嵌入的实体综合嵌入进行相似度计算。实验精准率达到91.4%、召回率达到87.9%、综合指标F1值达到89.6%。结果表明,该方法有效地完成了旅游领域的实体对齐任务。

基于复数空间内矩阵映射的知识表示方法

为同时建模知识图谱中存在的多对一、多对多等复杂关系以及对称、逆、组合等关系模式,提出一种基于复数空间内矩阵映射的知识表示方法(MMCS方法)。将实体以及实体间关系表示为离散的复数矢量,利用矩阵映射将离散的复数矢量聚簇为相近的矢量,用于表示实体间的多对一、多对多等复杂关系。利用复数空间的旋转策略,表示离散复数矢量之间的对称、逆、组合等关系模式。在公开的数据集上进行相关的链接预测实验,实验结果表明,MMCS在预测三元组中缺失的实体时比其它方法有显著提升。