基于上下文的领域本体概念和关系的提取

目前本体学习的研究重点在于概念及关系的提取,概念提取领域一致度与领域相关度相结合的方法取得了比较好的效果,而关系提取则主要采用基于关联规则的方法。这种本体概念、关系学习方法由于只考虑词频,提取结果准确性欠缺。针对这种缺陷,在统计的基础上考虑了语义因素,利用词汇上下文计算概念的语义相似度并将其应用到概念与关系提取中。实验结果表明,词汇上下文与传统统计相结合的方法能够有效改进概念和关系提取的准确度。

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。

基于跨模态多维关系增强的多模态模型研究

针对当前多模态模型不能充分挖掘图像中非显著区域的空间关系和上下文间的语义关系,导致多模态关系推理效果不佳的问题,提出了一个基于跨模态多维关系增强的多模态模型(multi-dimensional relationship enhancement model,MRE),用于提取潜层结构下图像各要素之间的空间关系信息,并推理出视觉—语言间的语义相关性。设计了特征多样性模块用于挖掘图像中与显著区域相关的次显著区域特征,从而增强图像空间关系特征表示。同时设计了上下文引导注意模块来引导模型学习语言上下文在图像中的关系,实现跨模态关系对齐。在MSCOCO数据集上的实验表明所提模型获得了更好的性能,其中BLEU-4和CIDEr分数分别提升了0.5%和1.3%。将这种方法应用到视觉问答任务中,在VQA 2.0数据集上性能得到了0.62%的提升,证明了该方法在多模态任务方面的广泛适用性。

Co-Concept-Boosting视频语义索引方法

语义概念探测是建立视频语义索引的根本方法,传统探测方法没有充分考虑语义概念间存在的复杂关系.本文充分利用概念间关系提出了co-concept-boosting方法,该方法分为三个层次:第一层是基于上下文关系的探测模型的构建,第二层是结合概念间关系的boosting处理,第三层是对boosting过程中产生的多个探测模型的融合.利用Trecvid2005数据的实验分析证明,该方法具有良好的性能以及稳定性.

叙词表融合方法研究

多表融合过程中可能产生概念界定不一致,语义关系矛盾冲突、相互缠结的问题,加上多人协同工作模式的复杂性,致使知识体系梳理极为困难。从逻辑角度对"概念"、"词汇"及概念间"关系"进行界定,提出多表融合的技术路线。多表融合以多表概念映射为前提。由于词群构成的复杂性,需要对closeMatch映射进行语义分析,以区分出exactMatch映射。概念合并和新关系生成可能引发多种逻辑问题:关系冲突、等级关系循环、等级关系冗余、兄弟概念互参、上下位概念共参、交叉互参、等级关系多路径。这些逻辑问题可被区分为两大类:逻辑错误、逻辑优化,并进一步影响逻辑问题的解决步骤。讨论了多人协同工作模式下叙词表的数据锁定机制。图9。表1。参考文献11。