Trans系列知识表示方法发展研究

近年来,知识图谱被普遍应用于搜索引擎和智能推荐系统,而知识表示作为知识图谱关键技术得到了广泛的关注。关于知识表示方法的研究也一直在进行,其中以TransE为代表的基于翻译模型的知识表示方法有着容易理解、复杂度低、计算效率高等优点,而且与此同时,具有较好的知识表达能力。文章对Trans系列模型进行了总结,着重分析了不同模型之间的改进思路并对其知识表示能力进行了对比,为进一步的改进提供参考。

一种面向临床领域时序知识图谱的链接预测模型

知识图谱(knowledge graph)链接预测可以解决知识图谱中缺失信息的发现和还原,是目前知识图谱领域的研究热点.传统的知识图谱链接预测方法大多面向静态的数据,并不适用于具有动态变化特性的时序知识图谱.时序知识图谱广泛存在于不同领域中,以临床医学领域为例,糖尿病作为一种典型的慢性病,其病程是一个疾病缓慢发展演化的过程.因此,在临床医学时序知识图谱上进行临床意义的链接预测,比如预测糖尿病的并发症,则需要考虑糖尿病病程发展随时间变化的时序特性,这也为传统的知识图谱链接预测方法带来巨大挑战.为此,结合临床医学事实知识的时序特性,提出一种基于LSTM序列增量学习的临床领域时序知识图谱链接预测模型.该模型结合LSTM长短期记忆单元递归神经网络在序列学习上的优势,通过构建基于LSTM的序列增量学习层,以端到端的方式提取时序知识图谱中的三元组时序特征,从而实现对时序知识图谱的链接预测.通过在糖尿病时序知识图谱上的实验,验证了模型的高效性、可用性及稳定性.

基于知识图谱和Softmax回归的干扰信号识别方法

随着信息技术的发展,未来移动通信系统将是地海空一体化的综合性网络,因此通信系统所面临的干扰情况将异常复杂,这将导致干扰信号的识别与抑制任务更具有挑战性。针对此问题,文中提出一种基于知识图谱和Softmax回归的干扰信号识别方法。该方法首先构建干扰信号识别的专家知识图谱并利用TransR算法将其嵌入到低维向量空间中;然后,提取出每个干扰信号的多维特征并做归一化处理,将这些归一化特征值作为Softmax回归模型的输入,从而提高Softmax回归算法对干扰信号识别的准确率。仿真结果表明,对于典型的干扰样式,文中方法比基于Softmax回归和基于BP神经网络的干扰信号识别方法具有更好的识别性能。

湛江港深水航道开发的淤积问题

本文对影响航道淤积诸因素进行了评述,同时针对本海区的泥沙来源及其动力条件,对欲开辟的龙腾航道的淤积进行了分析计算.得出了龙腾航道,在横风、横浪、横流、淤积等方面大大优于现航道,在本海区开辟深水航道有其乐观前景的重要结论.