三元组分分离的SMB改进工艺仿真研究

研究了五区模拟移动床(SMB)工艺分离三元组分的性能,采用1-1-1-1-1、2-2-2-2-2、3-3-3-3-3共3种色谱柱配置分析区域中的色谱柱数量对分离产品纯度的影响,同时,为了提高五区五柱SMB的分离性能,采用了以下两种优化方法,第1种方法是采用一种改进的SMB技术,即进料浓度可变的Modicon工艺;第2种方法是利用粒子群算法对SMB分离过程的操作参数进行优化。结果表明,以上两种优化方法都可以提高分离产品的纯度和生产率。

基于分布式表示和多特征融合的知识库三元组分类

三元组分类是知识库补全及关系抽取的重要技术。当前主流的三元组分类方法通常基于TransE来构建知识库实体和关系的分布式表示。然而,TransE方法仅仅适用于处理1对1类型的关系,无法很好的处理1对多、多对1及多对多类型的关系。针对上述问题,该文在分布式表示的基础上,提出了一种特征融合的方法—TCSF,通过综合利用三元组的距离、关系的先验概率及实体与关系上下文的拟合度进行三元组分类。在四种公开的数据集(WN11、WN18、FB13、FB15K)上的测试结果显示,TCSF在三元组分类上的效果超过现有的state-of-theart模型。

三元组分图在储罐退役惰性化过程设计中的应用

储罐退役之前,一般要进行惰化处理,以降低可燃气体浓度,避免形成爆炸性混合气体。根据三元组分图,可以方便、直观地设计惰化施工的方案,包括惰化操作的程序设计和危险气体控制目标浓度的确定。本文从理论上研究了在储罐退役惰性化过程设计时,如何用三元组分图表示爆炸极限、最小含氧浓度以及在储罐稀释惰性化过程中气体组成的变化轨迹。提出了两套惰化设计方案,在分析比较的基础上,确定了储罐退役惰化时的最安全实施方案。

ASP三元组分的残留对破乳过程动力学参数的影响

针对单一组分及ASP三元组分存在的两种不同乳液体系,以排液时间td、半生命期t1/2及破裂速率常数k为考核指标,采用单滴法研究了原油采出液中的残留组分聚合物、碱及表面活性剂的含量对破乳过程动力学参数的影响。结果表明:ASP三元组分的残留对动力学参数的影响呈现出一定的规律,其中,聚合物是使三元复合驱油体系破乳难度增大的主要因素,在含聚合物的乳液体系中,破裂速率常数比含碱和含表面活性剂体系小一个数量级,而碱与表面活性剂对破乳的影响与这两种组分的残留量有关。

基于三元组分法的火炬气燃烧机制

为选择合适的火炬气空气配比和助燃条件,提高火炬燃烧效率,减少火炬气燃烧不完全等事故发生,开展含氮火炬气燃烧实验,研究可燃气体与N_2在不同配比条件下的火炬气燃烧状态,并采用三元组分图法分析火炬气熄灭的原因。研究表明:当火炬气组分中丙烷(C_3H_8)与N_2体积比≤1∶3时,火炬气熄灭;火炬气熄灭原因为火炬气流速较快,卷吸空气量大于火炬气体积的12. 02倍,气云团中C_3H_8浓度小于最低燃烧极限1. 92%。

硝铵炸药零氧平衡三元组分图算法的应用

本文利用数学诺模图原理,绘制成零氧平衡二元组分成分配比及三元组分成分配比算图,利用图算法,可以解除零氧平衡三元组分的多组成分配比的烦琐计算。

InterTris:三元交互的领域知识图谱表示学习

在新事物不断涌现,且事物之间联系不断丰富的时代背景下,作为一项新生技术,知识图谱旨在对现实世界中概念或实体及其之间的联系进行建模.由于直接来自于现实世界,知识图谱中的实体和关系往往以符号化形式表示.要实现进一步的价值挖掘,进行知识图谱计算,就需要将符号化表示转换为数值形式.知识图谱表示学习技术应运而生.目前,知识图谱表示学习已得到很大发展.依据应用领域不同,可以将知识图谱划分为通用领域和特定领域两种.已有表示学习模型多面向通用领域构建,且在通用领域的样本数据上进行验证.如果将这些模型运用到特定领域,就会面临新的数据分布挑战.为解决特定领域的知识图谱表示学习问题,本文以栖息地知识图谱和用户消费行为知识图谱为例进行了数据特征分析,发现特定领域知识图谱的数据特征不仅与通用领域不同,且不同领域之间的分布也各有特点.所以,我们从比数据分布更抽象的角度,即基于知识图谱构建语义联系的本质特征,以三元组为建模粒度,对头实体、关系和尾实体之间的交互作用进行了充分拟合,提出InterTris模型.同时,基于家谱领域的公共知识图谱Kinship、微生物领域的酶知识图谱样本ES、微生物领域的栖息地知识图谱样本LiveIn和电子商务领域的用户消费行为知识图谱样本UserAct共计四个数据集,以部分较优的转换模型和组合模型为基线,通过链接预测和三元组分类两组实验,本文发现InterTris在四个数据集上都取得了整体最优的效果,充分证明了在三元组粒度进行交互建模的必要性和合理性.

TransE-KCB:一种改进负样本采样的知识图谱表示方法

为了解决翻译模型中的随机生成负样本的不足,以生成高质量的负样本,提高模型的训练效果,提出一种改进的负样本采样的知识表示学习模型TransE-KCB。该模型引入K-Means++聚类算法,形成不同种类的相似性实体簇;在簇中随机挑选5个实体与被替换实体计算它们之间的相似度,选出排名最高的实体,与被替换的实体进行替换;在此基础上,为了解决“假负例”问题,引入布隆过滤器,对“假负例”进行过滤。实验结果表明,与TransE等模型相比较,TransE-KCB模型具有更好的模型表达能力,知识表示的能力得到较大提升。

浮顶罐双层密封圈环空燃爆危险性与惰化控制

阐述了20余座大型浮顶储罐检测现状,分析双层密封圈结构危险性,确定重点控制部位为一、二次密封间的环形空间。以氧含量变化和点火头变化判定是否引爆,实验测定了4种净化油蒸气的爆炸极限。利用三元组分图确定密封圈环空的惰化控制参数(净化油蒸气的爆炸下限、极限氧浓度、最小惰化氮浓度)及净化油蒸气惰化控制指标,为大型浮顶储罐燃爆风险控制提供理论依据。

可燃气体空间置换限值研究

在全面解析三元组分图构成要素和含义的基础上,分析可燃物质设备投用和停用过程中惰化置换的机理和浓度限值。可燃气体空间置换限值包括设备投用惰化置换时氧气的最高容许浓度(ISOC)和设备停用惰化置换时可燃气体的最高容许浓度(OSFC),二者可由试验和公式计算2种方式获得。与目前惰化置换时通常参照的限制氧浓度(LOC)、燃烧下限(LFL)等参数相比,ISOC和OSFC值可以更准确地表征惰化置换时临界浓度的意义。通过对部分可燃物质的ISOC和OSFC试验值及计算值进行对比分析,证明以LOC为依据计算出的ISOC和OSFC值与试验值具有更高的符合性;指出目前国内惰化置换浓度控制值采用统一规定值这一方式的不足;证明合理利用LFL,LOCI,SOC,OSFC等参数开展可燃气体密闭空间置换限值研究的科学合理性。

一种改进的基于翻译的知识图谱表示方法

知识图谱在人工智能上有很大的研究价值,并被广泛应用于语义搜索和自动问答等领域.知识图谱表示将包含了实体和关系的大规模知识图谱映射到一个连续的向量空间.为此,有一系列知识表示模型提出,其中基于翻译模型的经典方法 TransE不仅模型复杂度低、计算效率高,而且同样具有良好的知识表达能力.但是,TransE亦存在2个缺陷:1)它使用了不够灵活的欧氏距离作为度量,对每一个特征维同等对待,模型的准确性可能受到无关维度的干扰;2)它在处理自反、一对多、多对一和多对多等复杂关系时存在局限性.目前,还没有一种方法能同时解决上述2个缺陷,因此提出一种改进的基于翻译的知识图谱表示方法 TransAH.对于第1个缺陷,TransAH采用了一种自适应的度量方法,加入了对角权重矩阵将得分函数中的度量由欧氏距离转换为加权欧氏距离,并实现了为每一个特征维区别地赋予权重.针对第2个缺陷,受TransH方法的启发,TransAH引入面向特定关系的超平面模型,将头实体和尾实体映射至给定关系的超平面加以区分.最后,在公开真实的知识图谱数据集上分析和验证了所提方法的有效性.利用链路预测和三元组分类这2项任务开展了全面横向评测实验,相较于现有的模型和方法,TransAH在各项指标上均取得了很大的进步,体现了其优越性.

知识图谱嵌入技术研究进展

知识图谱嵌入(KGE)是知识图谱领域一个新的研究热点,旨在利用词向量的平移不变性将知识图谱中实体和关系嵌入到低维向量空间,进而完成知识表示。以解决实际问题的类型为划分依据,首先,阐述了四类主要的知识图谱嵌入方法,包括基于深度学习的方法、基于图形特征的方法、基于翻译模型的方法以及基于其他模型的方法,对每种模型的算法思想进行详细阐述,总结了每种模型的优缺点;其次,从常用数据集、评价指标、算法、实验四方面对知识图谱嵌入算法实验进行分析与归纳,对嵌入方法做了横纵向对比;最后,从解决实际问题的角度出发,给出了知识图谱嵌入技术未来的发展方向。通过研究,发现在基于深度学习的方法中,LCPE模型的效果最好;在基于图形特征的方法中,TCE模型的效果最好;在基于翻译模型的方法中,NTransGH模型的效果最好。今后的研究可以在LCPE、TCE、NTransGH的基础上进行拓展,不断提高链接预测和三元组分类的实验效果。

基于相似性负采样的知识图谱嵌入

针对现有知识图谱嵌入模型通过从实体集中随机抽取一个实体来生成负例三元组,导致负例三元组质量较低,影响了实体与关系的特征学习能力。研究了影响负例三元组质量的相关因素,提出了基于实体相似性负采样的方法来生成高质量的负例三元组。在相似性负采样方法中,首先使用K-Means聚类算法将所有实体划分为多个组,然后从正例三元组中头实体所在的簇中选择一个实体替换头实体,并以类似的方法替换尾实体。通过将相似性负采样方法与TransE相结合得到TransE-SNS。研究结果表明:TransE-SNS在链路预测和三元组分类任务上取得了显著的进步。

改进的胶囊网络知识图谱补全方法

为准确表征知识图谱中实体与关系属性的关系,提出一种改进的胶囊网络知识图谱补全方法。将表示多关系数据的三元组转换为矩阵的形式与多个过滤器进行卷积,产生不同特征图并重构为相应的胶囊,每个胶囊代表一组神经元。在此基础上,通过路由操作产生维度较小的胶囊,生成连续向量并将其与权重向量做点积运算,构建评分函数用于判断三元组的正确性。采用公开数据集WN18RR、FB15K-237、FB15K分别进行链接预测和三元组分类实验,结果表明,与DistMult、ComplEx、ConvE等模型相比,该算法链接预测性能较优,与TransE、TransH、TransR等模型相比,其三元组分类准确率达到91.5%,具有显著优势。

基于卷积神经网络的知识图谱补全方法研究

知识图谱是事实三元组的集合,其表示形式为(头实体,关系,尾实体)。为了补全知识图谱中缺失的实体和关系,提出一种基于卷积神经网络的知识图谱补全方法。使用传统嵌入模型训练三元组,得到实体向量和关系向量;将三元组表示成3列矩阵,作为卷积神经网络的输入,卷积后得到三元组的特征表示图;连接所有特征图和权重向量进行点乘得到每个三元组的得分,得分越低证明三元组越正确。实验采用数据集WN18RR、FB15K-237、FB15K分别进行链接预测和三元组分类实验。实验结果表明,与其他方法相比,该方法在Mean Rank和Hit@10指标上都取得了更好的实验结果,证明其可以有效提高三元组预测精度。

STransH:一种改进的基于翻译模型的知识表示模型

最近,以深度学习为代表的表示学习技术受到广泛关注。表示学习旨在将研究对象的语义信息表示为低维稠密实值向量。因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力。但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性。鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系。同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色。在模型训练时,通过替换语义相似实体来提高生成负例的质量。最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性。相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和三元组分类准确率分别提高近10%。

知识表示学习方法研究综述

近年来,知识表示学习已经成为知识图谱领域研究的热点。为了及时掌握当前知识表示学习方法的研究现状,通过归纳与整理,将具有代表性的知识表示方法进行了介绍和归类,主要分为传统的知识表示模型、改进的知识表示模型、其他的知识表示模型。对每一种方法解决的问题、算法思想、应用场景、评价指标、优缺点进行了详细归纳与分析。通过研究发现,当前知识表示学习主要面临关系路径建模、准确率、复杂关系处理的挑战。针对这些挑战,展望了采用关系的语义组成来表示路径、采用实体对齐评测指标、在实体空间和关系空间建模,以及利用文本上下文信息以扩展KG的语义结构的解决方案。

融合实体描述及类型的知识图谱表示学习方法

知识图谱在很多人工智能领域发挥着越来越重要的作用。知识图谱表示学习旨在将三元组中的实体和关系映射到低维稠密的向量空间。TransE、TransH和TransR等基于翻译操作的表示学习方法,只考虑了知识图谱的三元组信息孤立的学习表示,未能有效利用实体描述、实体类型等重要信息,从而不能很好地处理一对多、多对多等复杂关系。针对这些问题,该文提出了一种融合实体描述及类型的知识图谱表示学习方法。首先,利用Doc2Vec模型得到全部实体描述信息的嵌入;其次,对实体的层次类型信息进行表示,得到类型的映射矩阵,结合Trans模型的三元组嵌入,得到实体类型信息的表示;最后,对三元组嵌入、实体描述嵌入及实体类型嵌入进行连接操作,得到最终实体嵌入的表示,通过优化损失函数训练模型,在真实数据集上分别通过链接预测和三元组分类两个评测任务进行效果评估,实验结果表明新方法优于TransE、TransR、DKRL、SimplE等主流模型。

融合属性信息的知识表示方法

现有的联合知识表示学习模型使用实体描述作为辅助信息来提升表示效果,忽略了互联网中大量有价值的信息。为此,提出一种融合属性信息的知识表示学习方法(AIKR)。首先抓取实体的不同属性,并通过莱文斯坦距离从语料库中匹配属性对应的说明文本;然后利用卷积神经网络对说明文本进行编码;最后将得到的实体属性表示与翻译模型生成的结构表示相结合进行联合学习。实验结果表明,相比仅利用实体描述的方法,融合属性信息的知识表示方法可以学习到更多的语义信息,取得了更好的表示效果。

基于小样本的知识图谱补全模型

针对知识图谱中存在实体稀疏及实体对数量有限导致知识图谱不完备的问题,提出一种基于小样本的元学习知识图谱补全模型。通过关系元传递重要信息,梯度元提升学习效率,从而快速获取三元组。在链接预测任务上进行验证该方法的有效性。实验结果表明,基于元学习的小样本知识图谱补全算法在数据集FB15K上,MeanRank相较于TransE提高41.4%,Hits@10相较于FSRL提高7%;在数据集Wordnet18上,MeanRank相较于DistMult提高37.9%,Hits@10相较于ComplEx提高18.8%;在数据集NELL-995上,MeanRank相较于TransE提高41.4%,Hits@10相较于FSRL提高18.8%。所提出的方法不仅能更好的进行知识学习,并且显著提升实体和关系的预测效率。