语义知识神经表征的fMRI研究:通道特异性或类别特异性?

在同一实验中同时考虑类别与通道二个因素,并采用典型的语义提取任务应用功能磁共振成像技术探讨了语义知识的神经基础,结果发现不同类型的语义知识的脑激活模式(含左梭形回的激活)无论在范围还是强度上存在很大的相似性;而且,在严格的统计阈值下,不存在通道或是类别特异性激活的脑区。结果提示语义知识的神经表征分布于整个大脑皮层;在提取物体语义知识时都会同时激活该物体的视觉表象。另外,研究观察到的语义提取过程中BA9区的激活进一步证实并扩展了关于“汉语和表音文字在皮层组织上存在重要差异的观点”。

基于语义网络的神经网络系统

文章通过分析语义网络知识表示及神经网络研究的各自特点与现状，提出了将基于语义网络的知识表示方法引入神经网络知识处理中的设想，并作了一些初步的探讨。

基于表示学习的知识图谱推理研究综述

知识图谱以结构化形式描述了现实世界中的客观知识,但面临着构建不完整或者无法处理新增知识等挑战。知识图谱推理方法成为了知识图谱补全和更新的重要手段,该方法旨在基于图谱中已有的事实推断出未知的事实。近年来,基于表示学习的知识图谱推理研究受到了广泛关注,其主要研究思路是将实体和关系嵌入到低维连续向量空间从而进行推理,具有计算效率快、推理性能高等优势。文中以基于表示学习的知识图谱推理方法为研究对象,首先对相关的符号表示、数据集、评价指标、训练方法以及评测任务进行了简要概述;其次介绍了基于平移距离和语义匹配的两种典型知识图谱推理方法;然后对融合多源信息的推理方法进行了分类和梳理,以及详细分析了近期流行的基于神经网络的推理研究进展;最后总结全文,同时对知识图谱推理的未来研究方向进行展望。

一种家庭服务机器人的环境语义认知机制

为提高机器人对家庭环境的语义认知能力,提出了一种环境语义认知模型.基于卷积神经网络提取场景类别和物品语义信息,实现环境的上下文语义理解;采用语义解析器解析语义信息,进而以结构化的方法表征知识,并将其存入本体知识库.同时基于语义网规则语言(SWRL)推理规则挖掘出其隐藏知识,实现知识库的扩展;以服务任务为驱动,实现家庭环境下机器人快速、准确地从知识库获取所需语义信息,从而智能化地执行服务任务.实验结果表明:所提出的模型能够准确提取环境语义信息,并能使机器人快速检索到服务所需知识.