数据、信息和知识三层图谱架构的推荐服务设计

海量的学习资源会引起用户在学习过程中产生认知过载和资源迷航,对数据、信息和知识等形态的资源的原始表述的自然语言的机器理解、自动处理、自动综合和自动分析等成为了巨大的挑战。从应对自动增量式结合经验知识和减少人工专家交互负担等两方面考虑,从资源建模、资源处理、处理优化和资源管理等角度进行研究,基于对现有知识图谱(knowledge graph)概念的拓展提出了一种三层可自动抽象调整的解决架构。该架构借助从数据图谱上以实体综合频度计算为核心的分析到信息图谱和知识图谱上的自适应的自动抽象的资源优化过程支持经验知识引入和高效自动语义分析。该框架借助对应5W(who/when/where,what and how)问题的分类接口衔接用户的学习需求等资源化描述,为用户提供个性化学习服务推荐。

基于知识图谱的云端个性化测试推荐

个性化推荐被广泛应用以加速云服务.推荐系统旨在基于在线和离线的可用数据、信息和知识来估计给定领域的一组对象的效用.现有的推荐系统严重依赖基于内容的方法或协同过滤的方法来提出建议,但是它们都不能完全满足面向自然语言语义的推荐效率和有效性.知识图谱是一种用于直接存储容纳语义丰富的非结构化和结构化信息的知识库.本文提出通过引入知识图谱作为媒体层整合基于内容和协同过滤两种方法来提高推荐质量,并且通过在云环境中构建测试推荐系统展示了本文提出方法的可行性.

投入驱动的存储与计算一体化的事务处理效率优化方法

事务处理技术是报告信息一致性和可靠性的关键技术,决定了Web服务是否可以应用于电子商务。类型化的数据、信息和知识等资源繁杂冗余,导致资源存储和处理效率低下,长事务的处理过程往往会持续较长时间,使得锁定资源的策略不能一直适用,为了协调事务型资源存储和计算代价,提出了一种投入驱动的事务处理方法。从资源建模、资源处理、处理优化和资源管理等角度进行研究,基于对现有知识图谱概念的拓展提出了一种三层可自动抽象调整的解决架构。这个架构包括:数据图谱、信息图谱和知识图谱等三个层面,关键在于对搜索目标资源对象类型转移代价和在资源存储空间上的存储代价的计算,并根据用户投入协同调整搜索目标资源对象的搜索机制和存储方案,从而降低资源搜索的时间复杂度和资源存储的空间复杂度,优化事务处理的时空效率。

非确定、不保真、复杂资源环境的正反双向动态平衡搜索服务

互联网资源存在非确定、不保证、超复杂特性,同时还有高度时效性.本文主要对用户提出的具有正反判定性问题进行有限次数的递进搜索,通过递进搜索逐步提高搜索出的资源的可信度,同时引入数据图谱、信息图谱和知识图谱三层架构,将网络上资源进行组织.本文提出的面向非确定、不保真、复杂资源环境的正反双向动态平衡搜索服务提供方法通过语义分析理解用户检索信息的倾向性,按正反倾向对用户提出的需求进行搜索,根据每次搜索的条目数以及每项条目对应资源的熵值计算该倾向资源的可靠性,虚假信息以及失效信息会随着递进搜索的次数被排除,提高了搜索资源的质量,同时避免面对无穷尽超复杂性问题时搜索陷入死循环的情况.本文应对当前医疗数据的高时效性以及复杂的医疗资源环境,将此搜索策略应用于医疗资源处理系统中,为医疗工作者提供高准确度的医疗资源检索服务.