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。

基于多跳网络的安全生产监测系统设计研究

随着计算机网络技术的快速发展,使得煤矿安全生产管理工作有了进一步的提高。然而,煤矿事故频繁发生,传统安全生产监测系统面临着迫切的升级。为解决煤矿安全生产过程中存在的无法精准检测导致的生产安全问题,文章提出了一种基于多跳网络的安全生产监测系统。该系统的设计通过计算机网络和煤矿重要生产节点之间形成了多跳网络,实现了对煤矿不同生产地点的情况进行实时有效监测。同时,该系统的设计主要利用无线通信传感器技术,实现对矿井下安全生产数据的采集,并利用无线通信网络将数据传输到对应的服务器中,利用煤矿安全生产监控系统对数据进行充分挖掘,以此来检测煤矿生产是否安全。最后,经测试证明,文章提出的系统能够有效实现对矿井生产安全过程的监测。

一种基于多跳注意残差网络的调制识别算法

为了进一步提升通信信号调制识别的准确率,在ResNet网络的基础上提出一种基于多跳注意残差网络(Multi-skip Attention Residual Network,MARN)的调制识别方法。该方法利用提取不同特征的卷积核进行多跳连接构建3种残差块,进而构建多跳残差网络,提取信号的时域特征;加入CBAM(Convolutional Block Attention Module)注意力机制自适应地调整通道权重,加强信号特征的表征能力;采用自适配归一化(Switchable Normalization,SN)加速网络收敛;加入丢弃率为0.3的AlphaDropout层,提高算法的拟合能力,最终实现对通信信号端到端的分类识别。在RadioML2018.01a数据集上仿真实验,结果表明在信噪比为-10~15 dB下,MARN网络平均识别率达到63.3%,较ResNet网络的平均识别率提升3.7%。

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。

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.

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。

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.

多跳中继网络隐蔽通信设计与实验分析

针对随机分布多跳中继网络存在的通信安全问题,提出了一种基于强化学习的智能路径选择方案。该方案考虑单密钥和独立密钥传输2种情况,分别对监测者的检测性能进行了探究,并基于隐蔽约束确定了各中继的最佳功率分配。最后,基于强化学习技术实现了多跳网络传输路径的智能选择,以保证传输的隐蔽性,并最大化系统的隐蔽吞吐量。结果表明,单密钥方案所选路径倾向于绕开监测者所监测的区域,而独立密钥方案所选路径可以穿过监测者的监测区域,并且独立密钥所能达到的系统增益显著优于单密钥。

C-V2X中基于CSA-GA的多跳广播算法

高效可靠的多跳广播算法可以有效降低交通异常事件对交通的影响。在车联网中,由于车辆高速移动和车辆间通信链路频繁丢失,使得设计高效可靠的多跳广播算法颇具挑战。鉴于此,提出一种基于乌鸦搜索算法和遗传算法的多跳广播算法。划分了异常事件影响区域;为稳定可靠地将消息转发至影响区域,综合考虑多种因素,设计了评价模型;为适应车联网的复杂环境,针对不同道路区域设计了不同的转发策略;针对中继节点选择问题,设计了基于乌鸦搜索算法和遗传算法的优化算法;使用OMNeT++工具进行仿真。结果表明,在每跳平均时延、冗余率和分组投递率3种常用指标下,所提算法性能较其他算法均有不同程度提升。

基于知识图谱关系路径的多跳智能问答模型研究

多跳问题是一类通过知识推理才能给出答案的复杂问题,往往需要相关的多项关联知识融合生成最终答案.现有基于知识图谱的多跳智能问答方法推理过程比较复杂,没有考虑关系路径蕴含的结构信息和语义信息.为此,本文提出了基于知识图谱关系路径的多跳智能问答模型,将多跳智能问答问题转换为在低维向量空间中查找知识图谱中最优关系路径的问题.该模型利用表示学习将知识图谱和用户问题同时嵌入到低维的向量空间,实现知识空间和问题空间的统一表示;然后结合主题实体向量表示和问题向量表示对候选实体进行语义评分,产生候选答案集合;以问题实体为起始节点,以候选答案实体为结束节点,从知识图谱中抽取与问题相关的关系路径集合;将关系路径进一步嵌入到低维的向量空间,生成关系路径的向量表示,在向量空间中查找与问题语义匹配度最高的关系路径,最终根据关系路径生成多跳问题的答案.在公开的数据集上对所提出的模型进行了实验,结果表明该方法与现有方法相比不仅具有良好的性能,而且具有良好的稳定性,不会随着问题跳数的增加而降低性能.

基于多跳检索和知识图谱嵌入的知识图谱问答

针对复杂问题的知识图谱问答中缺乏跳跃次数限制的问题,通过选择更优的主题实体减少跳跃次数,在目标函数中增加惩罚项,鼓励模型使用尽可能少的跳跃次数完成检索。为使预测结果更加准确,结合知识图谱嵌入对多跳检索模块的答案进行反向验证。在广泛使用的WebQuestionsSP数据集上的实验结果表明,限制跳跃次数可明显提高知识图谱问答的准确率,结合知识图谱嵌入的反向验证进一步提高预测精度,较PullNet高出6.8个百分点。

基于对比学习思想的多跳问题生成

针对获取大规模的多跳问答训练数据集耗时耗力的问题,提出一个基于对比学习思想的多跳问题生成模型.模型分为生成阶段和对比学习打分阶段,生成阶段通过执行推理图生成候选多跳问题,对比学习打分阶段通过一个基于对比学习思想的无参考问题的候选问题打分模型对候选问题进行打分排序,并选择最优的候选问题.该模型在一定程度上缩小了无监督方法与人工标注方法的差距,有效缓解了缺少多跳问答数据集的问题.在数据集HotpotQA上的实验结果表明,基于对比学习的多跳问题生成模型能有效扩充训练数据,极大减少了人工标注数据的成本.

多跳虚拟MIMO系统中随机接入的MAC方案

针对多跳虚拟多输入多输出系统及其动态资源分配进行研究。基于信道模型构建多跳虚拟多输入多输出系统的传播和连接模型,并提出一种分布式MAC方案。通过一个帧ALOHA协议把时间轴分割成帧(每一帧由给定数量的时隙构成),将时隙资源独立分配给每一跳,多跳链中的每个虚拟天线阵列随机选择一个时隙,实现在每一跳上的节点独立选择无线资源;对基于帧ALOHA协议的系统性能进行详细分析,得到它们的解析表达式。仿真结果表明,所提方案有较好的系统性能,优于集中式资源分配方案。

面向无线多跳网络的安全数据分发服务软件设计与实现

在无人机集群应用场景中,多个无人机之间通过无线网络进行通信,但由于网络链路不稳定、通信延时长,因此存在安全风险。设计了一种面向无线多跳网络的安全数据分发服务软件,支持节点的动态加入与退出,提供服务质量保障,保证消息的安全传输,为多节点通信提供了一种有效解决方案。

面向多跳问答的多视图语义推理网络

由于多跳知识图谱问答任务的复杂性,现有研究大多通过堆叠多层图神经网络以捕捉更大范围的高阶邻居信息。这种做法将多阶信息融合在一起,以损失节点判别性为代价获取更全局的信息,存在过平滑问题;并且,由于离节点越近的邻居置信度越高,将多阶邻居信息融合在一起的做法会忽略邻居的置信度。此外,多跳知识图谱问答存在许多数据集通常没有给定中间路径的监督信息的弱监督问题,会使模型在进行路径推理时缺乏有效的指导信息,导致模型推理能力降低。为了解决以上问题,论文提出了一种多视图语义推理网络,该网络利用全局和局部两种视图的信息共同进行推理。全局视图信息是指节点的多阶邻居信息,能够为推理提供更丰富的证据;局部视图信息则只关注节点的1阶邻居信息,更具有判别性,能够缓解全局视图信息存在的过平滑问题。同时,该网络将问题分解为多个子问题作为中间路径推理的指导信息,并从问题语义构成的均匀性和一致性出发,设计了一种新颖的损失函数以提升问题分解的质量,以提高模型中间路径推理的能力。论文方法在3个真实数据集上进行了大量实验,实验结果表明,多视图的语义信息能够为推理提供更加全面的证据,将问题分解为子问题的做法能够提高中间路径推理的准确性,证明了论文方法的有效性。

用于多跳阅读理解的双视图对比学习网络

多跳阅读理解是机器阅读理解的重要任务,旨在从多段文档中构造一条多跳推理链,以此结合多文档中证据回答问题.近年来,图神经网络广泛应用于多跳阅读理解任务,但仍存在多文档推理链的上下文互信息获取不充分、部分答案仅因为与题目相似就被误判为候选答案而引入噪声的缺陷.针对上述问题,文中提出用于多跳阅读理解的双视图对比学习网络(Dual View Contrastive Learning Networks,DVCGN).首先,提出基于异构图的节点级正负样本对比学习方法,对异构图进行节点级损坏和特征级损坏,构造双视图.被损坏的两个视图经图注意力网络迭代后生成两个更新后的视图,DVCGN通过最大化双视图节点表示相似性学习节点表示,获取丰富的上下文语义信息,精确建模当前节点表示及其与推理链其余节点关系,有效辨别多粒度上下文信息及干扰信息,为推理链构造更丰富的互信息.然后,提出问题引导的图节点剪枝方法,充分利用问题信息筛选答案实体节点,缩小候选答案范围,减弱证据句子中相似性表述带来的噪声.在HOTPOTQA数据集上的实验表明,DVCGN的性能较优.