基于Bert-GNNs异质图注意力网络的早期谣言检测

网络谣言的广泛传播已经造成了很大的社会危害,因此早期谣言检测任务已成为重要的研究热点.现有谣言检测方法主要从文本内容、用户配置和传播结构中挖掘相关特征,但没有同时利用到文本全局语义关系和局部上下文语义关系.为了克服以上局限性,充分利用到谣言数据中的文本全局-局部上下文语义关系、文本语义内容特征和推文传播的结构特征,本文提出了一种基于Bert-GNNs异质图注意力网络的早期谣言检测算法(Bert-GNNs Heterogeneous Graph Attention Network,BGHGAN).该方法根据历史谣言集和用户特征构建一个推文-词-用户异质图,通过采用预训练语言模型Bert和图卷积神经网络(Graph Convolutional Network,GCN)结合的方法进行特征学习,以挖掘谣言的文本语义特征和文本之间的关系,并将异质图分解为推文-词子图和推文-用户子图,采用图注意力网络(Graph Attention network,GAT)的方式分别进行特征学习,从而更充分利用文本全局-局部上下文语义关系和传播图的全局结构关系以加强特征表达;最后,通过子图级注意力机制将不同模块的学习集成进行最终的谣言检测.所提算法在真实的Twitter15和Twitter16数据上进行实验,验证了该算法在检测准确率上分别为91.4%和91.9%,较现有最佳模型分别提高了1%和1.4%,也具备在早期阶段对谣言的检测能力;同时,本文通过实验探讨了不同特征对谣言检测的重要性、对异质图构建质量的重要性.

基于多模态图卷积神经网络的行人重识别方法

针对行人重识别中行人文本属性信息未被充分利用以及文本属性之间语义联系未被挖掘的问题,提出一种基于多模态的图卷积神经网络(GCN)行人重识别方法。首先使用深度卷积神经网络(DCNN)学习行人文本属性与行人图像特征;然后借助GCN有效的关系挖掘能力,将文本属性特征与图像特征作为GCN的输入,通过图卷积运算来传递文本属性节点间的语义信息,从而学习文本属性间隐含的语义联系信息,并将该语义信息融入图像特征中;最后GCN输出鲁棒的行人特征。该多模态的行人重识别方法在Market-1501数据集上获得了87.6%的平均精度均值(mAP)和95.1%的Rank-1准确度;在DukeMTMC-reID数据集上获得了77.3%的mAP和88.4%的Rank-1准确度,验证了所提方法的有效性。

融合迭代式关系图匹配和属性语义嵌入的实体对齐方法

实体对齐是知识融合中的关键步骤,用于解决多源知识图谱中实体冗余、指代不明等问题。目前,大多数的实体对齐方法主要依赖于邻域网络,而忽略了关系间的连通以及属性信息,导致模型无法捕捉到复杂关系,额外信息也没有被充分利用。针对上述问题,提出一种迭代式关系图匹配和属性语义嵌入的实体对齐方法,将〈头实体,关系,尾实体〉进行转置,生成〈头关系,实体,尾关系〉构建,与实体图相对应的关系图,接着利用注意力机制编码实体和关系表示,二者通过相互迭代,能够更好地表示实体,再融合属性表示最终判定两个实体是否对齐。实验结果表明,本模型在DBP15K 3个跨语言数据集中显著优于其他6种方法,相比于最好方法Hit@1指标提升了4%,证明了关系匹配和属性语义的有效性。

基于流调数据的患者关系知识图谱构建

随着新冠感染患者数量的增多,产生了大量与之相关的流调数据.以流调数据为基础,通过分析患者间的语义关联特征可以在个体层面表达疾病的传播过程,深入探讨患者染病的特征分布、患者之间的传播路径等问题.基于此,研究以患者为中心并兼顾语义关联特征,借助知识图谱技术完成对患者流调数据的建模.首先在解析流调数据的基础上定义患者语义关系,据此设计患者关系图谱的模式层.然后,通过识别患者、地点实体,抽取“患者-关系-患者”及“患者-居住-地点”三元组等任务完成数据层构建.最后,利用Neo4j图数据库实现患者关系图谱的可视化并加以分析.结果表明,通过对超级传播源分析和传播路径追溯等层面进行验证,患者关系图谱可以挖掘患者的内在关联、有效整合患者语义关系,表达疾病在患者间的传播过程.

基于知识图谱的故障处置预案解析方法

为了提高电网故障处置预案应用效率,提出一种基于知识图谱的故障处置预案解析方法。采用考虑调度专业语言特点的预案实体和实体关系标记方法,生成预案实体和实体关系训练样本。基于双向长短期记忆网络-条件随机场识别预案实体特征和文本卷积神经网络抽取预案实体关系,依据实体关系和句法关系链接实体建立故障处置预案知识图谱。通过某地区故障处置预案验证,所提预案解析方法精确率、召回率和F 1值平均为85.01%、83.64%和84.28%,具有较高解析精度和泛化能力。

经方小程序知识图谱的构建及应用

文章基于中医经方构建知识图谱,搭建信息检索、智能问诊系统,以图的形式对经方进行计量和可视化分析,为小程序用户提供更加精准详细的经方信息。首先,探讨了知识图谱的基础理论与构建技术。其次,采用人工标引的方法,对经方中的语义实体进行提取,对语义关系进行梳理,利用Python对形成的逻辑数据进行处理,并基于Neo4j构建知识图谱。最后,在Neo4j图数据库中,定义了经方、病症、症状、药材、体质5大实体,形成了12种概念类型以及13种概念间关系及其约束规则,包含412个节点和805条关系,实现了中医经方知识图谱的初步构建及智能检索。结果表明,结合Neo4j图数据库技术构建中医经方知识图谱具有直观、高效的特点,便于小程序进行中医药知识智能化服务以及经方推荐。

基于地理知识图谱的智能问答系统设计与实现

用知识图谱作为数据源,为问答系统提供高质量知识。本研究基于地理领域知识图谱,设计了地理知识的智能问答系统。(1)通过Doc2vec+k-means聚类算法生成问题模板;(2)利用多项式朴素贝叶斯分类,根据模板的语义及问题中的实体识别用户的问题意图;(3)利用空间关系及语义约束关系实现知识推理,完成答案检索。本研究抽取部分问题作为问题进行实验,将问题分为空间类问题和数据类问题,统计得到模板匹配的平均准确率为97.0%,召回率为96.7%,F1为96.8%;最终答案生成的平均准确率为84.5%,能为地理服务智能化和信息化提供支持。

一种基于语义关系图的词语语义相关度计算模型

词语的语义计算是自然语言处理领域的重要问题之一,目前的研究主要集中在词语语义的相似度计算方面,对词语语义的相关度计算方法研究不够.为此,本文提出了一种基于语义词典和语料库相结合的词语语义相关度计算模型.首先,以HowNet和大规模语料库为基础,制定了相关的语义关系提取规则,抽取了大量的语义依存关系;然后,以语义关系三元组为存储形式,构建了语义关系图;最后,采用图论的相关理论,对语义关系图中的语义关系进行处理,设计了一个基于语义关系图的词语语义相关度计算模型.实验结果表明,本文提出的模型在词语语义相关度计算方面具有较好的效果,在Word Similarity-353数据集上的斯皮尔曼等级相关系数达到了0.5358,显著地提升了中文词语语义相关度的计算效果.

一种新的多关系朴素贝叶斯分类器

针对现有多关系朴素贝叶斯分类器中存在的统计偏斜问题,扩展了语义关系图的定义,给出了一种新的统计计数方法,构建了相应得多关系朴素贝叶斯分类公式,形成了一种基于关系数据库技术的新的多关系朴素贝叶斯分类器。为高效进行关系表连接,采用元组ID传播方法对关系表进行虚拟连接。进一步提高分类准确率,基于互信息标准对属性进行剪枝。实验显示新的分类器具有良好的分类性能。

基于业务关联图的协同制造关键语义识别方法

为更好地支持协同制造服务应用本体的建立,提出了一种基于业务关联图的协同语义识别方法。分析了面向服务架构下的协同制造语义模型及其层次关系,以及每个层次中所包含的语义内容;提出了基于全息图的语义识别步骤,在识别过程中,采用定性识别和定量识别相结合确定关键语义的方法。通过汽轮机协同制造语义识别实例,验证了所提方法的有效性。

大数据中RDF语义数据存储优化探讨

结合大数据的特点和语义Web的理论,对大数据中的RDF语义数据的描述和存储进行研究。分析各种数据库存储RDF语义数据的优点和缺点,指出图数据库存储RDF语义数据的优势。最后采用Neo4j开源Java代码实现了一个图数据库系统,通过运行实例验证了以上结论。

融合关系和内涵属性的概念图表示及其应用

传统的基于关键字的文本检索系统,存在匹配不准确、匹配冗余度高以及算法复杂的现象。针对该问题进行研究,使用概念图作为检索单元,摈弃字符统计的传统方法,通过语义的匹配,在理解的基础上得出问题的答案。在传统的概念图中加入概念内涵属性,提出了C-A&R(concept-attribution&relationship)概念图,并以此作为文本检索系统中文本的表示方法。实验证明C-A&R概念图的概念匹配准确率更高。结合属性和关系的概念图能够有效地改善文本检索的准确率。

异质网络中基于节点影响力的相似度度量方法

异质网络相似度学习,即分析两个不同类型对象间的相关程度.不同类型对象在异质网络中的重要程度不同,它们在相似度学习过程中的发挥的作用也不同.针对异质网络,提出了一种基于节点影响力的相似度度量方法NISim,该模型既考虑了网络中的链接结构,也保留了网络中的语义信息,同时区分不同类型节点对异质网络的作用.在异质信息网络环境下,通过启发式规则区分并量化不同类型节点的影响力权值,并结合网络链接结构和节点间语义关系,解决了提高相似度学习准确性的问题.实验结果表明,该方法能够有效地对异质信息网络不同类型节点进行相似度度量,可以应用在网络搜索、推荐系统以及知识图谱构建等不同领域.

医学知识图谱构建研究进展

针对医学数据专业性强、结构复杂等特点,解析了构建医学知识图谱的关键技术,介绍了利用机器学习和深度学习的方法识别医学命名实体、实体链接和抽取语义关系,以及医学知识图谱在医院智能导诊、疾病筛查和预测、辅助临床诊断、医疗保险风险预测和医学知识科普方面的应用。结合当前我国医学知识图谱构建在数据和技术层面临的问题和挑战,提出了相应的对策和建议。

《知网》语义关系图的自动构建

在真实语言环境中,词语间的联系普遍存在、错综复杂。为了更好融合和使用各种语义资源库中的语义关系,构建可计算的汉语词汇语义资源,该文提出了通过构建语义关系图整合各种语义资源的方法,并在《知网》上实现。《知网》作为一个知识库系统,对各个词语义项是以分条记录的形式存储的,各种词汇语义关系隐含在词典文件和义原描述文件中。为提取《知网》中语义间的关系,本文首先将《知网》中的概念以概念树的形式重新表示,并从概念树中提取适当的语义关系,构建语义关系图。经过处理,得到88种589 984条语义关系,图上各种节点具有广泛的联系,为基于语义关系图的进一步分析和计算打下了基础。

基于知识图谱的低压配电网拓扑结构辨识方法

低压配电网中正确的拓扑关系是至关重要的。低压配电网实际拓扑结构因运维需要变动频繁且巨大,配电网信息系统中的数据更新不及时、流通性低以及质量差等不能正确反映低压配电网的实际拓扑结构,有必要进行拓扑辨识。知识图谱技术可以清晰地反映出数据间的现有关系,推理挖掘出隐藏知识,适用于低压配电网的拓扑辨识。因此应用知识图谱技术于拓扑辨识中,首先分析知识图谱构建方法,运用知识图谱技术,对多个低压配电网信息系统中的数据进行整合,推理出缺失数据,挖掘出各数据之间的关系。然后构建出低压配电网拓扑结构的知识图谱。最后结合《低压配电网基建工程典型设计规范》以及语义分词技术,对低压配电网信息系统中的户变关系进行辨识。算例实验效果良好,表明所提出的辨识方法具有理论价值和实际应用价值。

人文社科专题数据库深度语义化研究

人文社科专题数据库中的资源具有较高的科学研究和社会经济价值,然而现有专题数据库无法实现自动提取语义信息和灵活的语义检索。本文对人文社科专题数据库的语义化架构及其关键技术如实体识别、分类、等级关系及非等级关系的抽取等进行深入研究,利用文物保护专题数据库作为案例,先确定元数据并提取相关实体及关系,再采用图数据库Neo4j进行了数据的存储、查询和推理。结果表明,本研究提出的架构及关键技术对人文社科专题数据库的语义化处理具有较好的效果。

关系学习中贝叶斯分类算法的比较研究

数据分类是数据挖掘的主要内容之一,通过分析训练数据样本,产生关于类别的精确描述。贝叶斯分类是数据挖掘领域中一种常用的有效分类方法。在关系学习中,贝叶斯分类算法有很多种,对这些算法进行总结、比较,指出其优点与不足,对提高分类效率有很大帮助。本文对已有的关系学习中贝叶斯分类算法作了详细的比较,并进行归纳总结。在单关系学习中重点介绍了几种基于粗糙集的贝叶斯分类器和加权贝叶斯分类算法,并分析了各种方法的模型、权值确定方法、优缺点及进一步工作方向。在多关系学习中主要比较了几种基于语义关系图的贝叶斯分类算法,重点介绍了MI-MRNBC模型。最后对本文工作进行了总结与展望,提出进一步工作方向是研究基于粗糙集的多关系贝叶斯分类算法。

一种基于依赖关系的关系数据库语义模式提取方法

描述怎样从关系数据库中根据各种约束条件得到EER(extend entity—relationship)图进而解决对关系数据库的语义理解问题。基本思想是基于主键及外键约束来建立初始关联,包括所有的一元、二元及多元关系。然后确定基数约束,进而优化消除对称、传递等关系,并分辨出哪些是is-a关系,哪些是part-of关系及关联关系,并通过集成,将表达相同意思的同类实体合并。由这个过程就可以抽取出关系数据库的语义信息。

基于场景图谱的室内移动机器人目标搜索

在移动机器人执行日常家庭任务时,首先需要其能够在环境中避开障碍物,自主地寻找到房间中的物体。针对移动机器人如何有效在室内环境下对目标物体进行搜索的问题,提出了一种基于场景图谱的室内移动机器人目标搜索,其框架结合了导航地图、语义地图和语义关系图谱。在导航地图的基础上建立了包含地标物体位置信息的语义地图,机器人可以轻松对地标物体进行寻找。对于动态的物体,机器人根据语义关系图中物体之间的并发关系,优先到关系强度比较高的地标物体旁寻找。通过物理实验展示了机器人在语义地图和语义关系图的帮助下可以实现在室内环境下有效地寻找到目标,并显著地减少了搜索的路径长度,证明了该方法的有效性。