知识表示的超拓扑结构研究

针对 90年代以来人工智能 (AI)研究逐步转入低潮的局面 ,提出了关于 AI的新理论 ,主要研究了知识表示的超拓扑结构 (HTSKR)。认识到超拓扑结构 (HTS)是客观世界中事物的普遍现象 ,抽象出 HTS=HN+HL。提出了 HTS的状态空间与解路径 ,定义了解路径的承接超结点。对HTSKR进行了形式化的定义 ,研究了超结点的包容性、包容度、连接性、命名性、分类性等。论述了新的知识表示方法—— HTSKR,其优点是包容度更大 。

人工智能的泛符号机制

针对 90年代以来人工智能研究逐步转入低潮的局面 ,提出了关于人工智能的泛符号机制的新思想、新理论 ,泛符号机制 =泛逻辑 +知识表示的超拓扑结构 +多维信息空间。

基于超拓扑结构的专家系统研究

在白等知识表示的超拓扑结构的基础上,提出了基于超拓扑结构的专家知识表示和推理控制策略,从而确定了基于超拓扑结构的专家系统的核心部分,为超拓扑结构在专家系统中的应用奠定了基础。文中还就基于超拓扑结构专家系统的构建方法作了有益的探讨,并认为,采用关系表的方法实现基于超拓扑结构专家系统将是一个合理的方向。

融合多源信息的知识表示学习

在知识图谱中,实体的文本描述信息、实体的层次类型信息和图的拓扑结构信息中隐藏着丰富的内容,它们可以形成对原始三元组的有效补充,帮助提高知识图谱各种任务的效果。为了充分利用这些多源异质信息,首先通过一维卷积神经网络嵌入文本描述信息,然后根据实体的层次类型信息构建投影矩阵,将三元组中的实体向量和实体的描述向量映射到特定的关系空间中来约束实体的语义信息,再基于图注意力机制融合图的拓扑结构信息,计算不同邻接点对实体的影响。在图注意力层中,计算了实体间的多跳关系来帮助改善数据稀疏的问题。最后,通过二维卷积神经网络来捕获不同维度间的全局信息,进一步提高模型的性能。链接预测实验结果表明,基于多源信息组合的知识表示学习模型(MCKRL)能够充分利用三元组以外的多源异质信息,因而相比于其他基线模型,该模型在链接预测任务上取得了更好的结果。