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.

基于自发数据传输的高效双LAN太赫兹无线局域网MAC协议

针对现有的双局域网(LAN)太赫兹无线局域网(Dual-LAN THz WLAN)相关介质访问控制(MAC)协议中存在的某些节点会在多个超帧内重复发送相同的信道时隙请求帧以申请时隙资源以及网络运行的一些时段存在空闲时隙等问题,提出一种基于自发数据传输的高效MAC协议——SDTE-MAC(high-Efficiency MAC protocol based on Spontaneous Data Transmission)。SDTE-MAC通过让各节点都维护一张或多张时间单元链表,使各节点与其余节点在网络运行时间上达到同步,从而获悉各节点应该在信道空闲时隙的什么位置开始发送数据帧,优化了传统的信道时隙分配和信道剩余时隙再分配的流程,提高了网络吞吐量和信道时隙利用率,降低了数据时延,能够进一步提升双LAN太赫兹无线局域网的性能。仿真结果表明,网络饱和时,相较于AHT-MAC(Adaptive High Throughout multi-pan MAC protocol)中的N-CTAP(Normal Channel Time Allocation Period)时段时隙资源分配新机制以及自适应缩短超帧时段机制,SDTE-MAC的MAC层吞吐量提升了9.2%,信道时隙利用率提升了10.9%,数据时延降低了22.2%。

基于扇形链路策略的改进蚁群分簇路由协议

针对网络覆盖区域较大、节点数量较多的无线传感器网络,容易出现部分节点过早死亡等情况,提出一种基于扇形链路策略的改进蚁群分簇路由协议RACO-SL。通过加入奖惩因子,同时对精英个体采用蚁群优化算法的概率生成新的后代个体,对于普通个体,通过与随机选择的精英个体进行交叉变异操作,改进蚁群优化算法,以整个网络每次通信的能耗为优化目标选取较优的簇头节点集。为待转发簇头节点设计从可动态调节的扇形区域中选择下一跳中继节点的链路转发策略。实验结果表明,与现有协议相比,该协议在延长网络寿命、提高通信链路质量、增强网络覆盖度方面表现良好。

跨节点RDF关联路径检索技术研究与实现

【目的】跨节点关联路径检索是实现大规模分布式场景下科学数据关联发现的重要手段,如何突破多节点多跳查询的效率和准确性是一个关键技术难题,相关解决方案和技术具有重要而广泛的应用前景。【方法】本文提出了以RDF类关系为驱动的跨节点关联路径检索技术,该技术以分布式节点RDF类关联关系构建为基础,将跨节点数据实体关联检索映射为RDF类关联检索,进而以RDF类关联关系为基础,指导SPARQL联邦查询语句的动态封装,实现关联数据跨节点检索。【结果】通过测试验证,本文技术方案能有效提升跨节点RDF关联路径检索的效率和质量,可以支持多数据源节点,任意关联方向,多跳的动态查询。【结论】基于RDF类关系驱动的跨节点关联路径检索技术,为解决分布式环境下的数据联合查询提供了一种高效且准确的解决方案,有望在复杂网络环境及大数据应用场景中发挥重要作用。

密集城市群中基于智能反射面的传输方案

由于低频段资源紧缺,未来移动通信网络将逐渐转移至更高频段,电磁波的自由空间传播损耗、绕射损耗以及穿透损耗较大,容易产生覆盖盲区以及弱覆盖区域。智能反射面(RIS)通过重新配置信号的传播环境以提高网络性能并扩大网络覆盖范围,成为解决密集城市群覆盖问题的新热点。基于有RIS参与的下一代移动通信网络密集城市群布网时的多跳通信模式,对多跳RIS传输方案与提出的一种解码转发(DF)中继辅助多跳RIS传输方案(DF-RIS)进行全面比对。首先,对两种传输方案的传输损耗、能效以及系统容量进行了理论推导及分析。其次,在密集城市群三维环境模型中进行仿真,为改善复杂环境搜索效率降低以及计算量增大的问题提出了一种改进Lazy Theta*算法,并对改进算法与常见路径搜索算法的搜索时间以及搜索路径长度进行仿真对比。使用改进算法选取相同仿真环境下两种传输方案分别所需节点,节点选取中考虑了DF中继位于多跳DF-RIS传输方案中的不同位置。最后在确定节点后对两种传输方案的传输损耗、能效以及系统容量进行仿真分析比较。仿真结果不但验证了改进Lazy Theta*算法的有效性,也说明了RIS反射元件数与两种传输方案性能之间的关系。表明两种传输方案各有其适用性,可根据对性能的实际需求选择合适的传输方案。

基于大语言模型的复杂任务自主规划处理框架

随着深度学习和自然语言处理技术的进步,大语言模型(Large language models, LLMs)展现出巨大潜力.尽管如此,它们在处理复杂任务时仍存在局限性,特别是在任务需要结合规划及外部工具调用的场合.面向这一挑战,提出国内首个以军事游戏为背景的中文的复杂任务规划与执行数据集(Complex task planning and execution dataset, CTPaE),以及一个基于LLMs的自主复杂任务规划(Complex task planning, CTP)处理框架AutoPlan.该框架可以对复杂任务进行自主规划得到元任务序列,并使用递进式ReAct提示(Progressive ReAct prompting, PRP)方法对已规划的元任务逐步执行.该框架的有效性通过在CTPaE上的实验及与其他经典算法的比较分析得到了验证.项目地址:https://github.com/LDLINGLINGLING/AutoPlan.

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。

基于非随机成簇的智能路锥自组网高效分簇路由协议

用于智能路锥自组网(IRCAN)的现有多跳分簇路由协议存在组网控制开销有冗余、数据分组传输平均跳数未保证最小的问题。为解决上述问题,结合网络链状拓扑特点,提出一种基于非随机后倾成簇的高效分簇路由协议RCHR(Retroverted-Clustering-based Hierarchy Routing)。首先,提出基于中心扩展的后倾成簇机制和基于泛听跨层和扩展邻接矩阵的簇首选择算法;其次,采用所提机制和算法,以sink节点为中心依次生成具有后倾特点的簇,在不借助额外条件的情况下为sink节点选择分列两端的最优簇首节点,既减少组网过程的开销和用时,又能够形成有利于降低数据分组传输平均跳数的网络拓扑。理论分析验证了所提协议的有效性,仿真实验结果表明,与现有多跳分簇路由协议基于分环多跳的分簇路由(RBMC)和改进型低功耗自适应集簇分层型协议(MOD-LEACH)相比,所提协议的组网控制开销和数据分组传输平均跳数分别至少降低了32.7%和2.6%。

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。

基于多关系视图轴向注意力的文档级关系抽取

文档级关系抽取旨在从文档中提取多个实体之间的关系。针对现有工作在不同关系类型的条件下,对于实体间的多跳推理能力受限的问题,提出了一种基于多关系视图轴向注意力的文档级关系抽取模型。该模型将依据实体间的关系类型构建多视图的邻接矩阵,并基于该多视图的邻接矩阵进行多跳推理。基于两个文档级关系抽取基准数据集GDA和DocRED分别进行实验,结果表明,所提模型在生物数据集GDA上的F1指标达到85.7%,性能明显优于基线模型;在DocRED数据集上也能够有效捕获实体间的多跳关系。

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.

融合关系路径与实体邻域信息的知识图谱补全方法

知识图谱为许多人工智能应用提供了底层的技术支持,包括电子商务、智能导航、医疗保健、社交媒体等领域。但现有的知识图谱通常是不完整的,大量的知识隐含在其中,因此如何将知识图谱补全完整成为亟需解决的问题。现有方法大多是独立处理实体邻域信息或关系路径,忽略了实体邻域信息对关系路径探索过程的重要性。为此,提出了一种融合关系路径与实体邻域信息的知识图谱补全方法(RPEN-KGC)。RPEN-KGC由采样器和推理器构成,采样器通过在实体对之间随机游走,为推理器提供可靠的推理策略。同时采样器利用实体邻域相似性对比机制约束随机游走的方向,有效提高采样的效率,并且使推理策略更加丰富。推理器通过提取关系路径的语义特征,在语义空间中推理出更加多样化的关系路径。在公开的NELL-995和FB15K-237数据集中通过链接预测任务进行实验验证,结果表明,RPEN-KGC在多数指标上相较于基准方法均有一定的提升,说明RPEN-KGC能够有效预测知识图谱中缺失的知识。

基于单矢量水听器时频声强法的非合作水声跳频信号多维参数估计

针对传统方法对水下非合作跳频信号的多维参数估计效果不佳的问题,提出一种基于单矢量水听器时频声强法的非合作水声跳频信号空时频参数估计方法。利用矢量水听器声压通道与振速通道的接收信号建立时频域的短时互谱分布,分析噪声与信号在时频域分布的差异,通过迭代去噪法与连通域方法,对噪声进行抑制并平滑每跳的能量分布;采用复声强法对短时互谱矩阵进行处理,得到清晰稳定的跳频信号空时频分布;提取空时频分布的脊线并利用Haar小波变换对脊线进行奇异点检测,估计出信号的多维参数。仿真和水池试验结果表明,当信噪比大于-5 dB时,所提方法得到的参数估计归一化均方根误差小于0.05。

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。

多约束月面盘旋飞跃轨迹优化控制方法

针对无平移发动机月球探测器的多约束盘旋飞跃问题,给出了燃耗最优轨迹。盘旋飞跃划分为垂直上升段、平移段、垂直下降段,垂直上升段与垂直下降段的最优控制均为Bang-Bang形式。研究平移段最优轨迹时,考虑位置、速度、角速度等约束,首次把优化问题的控制变量由推力转化为角速度,然后基于Pontryagin极小值原理得到了最优角速度的初步形式,接着通过对奇异点连续性、控制变量切换次数的研究,得到最优角速度的最终形式由最大边值与最小边值组成且发生两次切换,最后提供了一种求解切换点的数值方法。仿真结果表明,该算法精度高、复杂度低,适用于在线轨迹优化。

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。

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.