MKEAH:Multimodal knowledge extraction and accumulation based on hyperplane embedding for knowledge-based visual question answering

Background External knowledge representations play an essential role in knowledge-based visual question and answering to better understand complex scenarios in the open world.Recent entity-relationship embedding approaches are deficient in representing some complex relations,resulting in a lack of topic-related knowledge and redundancy in topic-irrelevant information.Methods To this end,we propose MKEAH:Multimodal Knowledge Extraction and Accumulation on Hyperplanes.To ensure that the lengths of the feature vectors projected onto the hyperplane compare equally and to filter out sufficient topic-irrelevant information,two losses are proposed to learn the triplet representations from the complementary views:range loss and orthogonal loss.To interpret the capability of extracting topic-related knowledge,we present the Topic Similarity(TS)between topic and entity-relations.Results Experimental results demonstrate the effectiveness of hyperplane embedding for knowledge representation in knowledge-based visual question answering.Our model outperformed state-of-the-art methods by 2.12%and 3.24%on two challenging knowledge-request datasets:OK-VQA and KRVQA,respectively.Conclusions The obvious advantages of our model in TS show that using hyperplane embedding to represent multimodal knowledge can improve its ability to extract topic-related knowledge.

SECCL-based research on prefabricated chunks in achieving oral English fluency

Fluency on oral English has always been the goal of Chinese English learners. Language corpuses offer great convenience to language researches. Prefabricated chunks are a great help for learners to achieve oral English fluency. With the help of computer software, chunks in SECCL are categorized. The conclusion is in the process of chunks acquiring, emphasis should be on content-related chunks, especially specific topic-related ones. One effective way to gain topic-related chunks is to build topic-related English corpus of native speakers.

基于本体与LDA主题模型的文本资源推荐方法研究

为了解决基于LDA主题模型的推荐结果总是局限在同一主题范围内从而在一定程度上限制了推荐惊喜度的问题。将本体引入到基于LDA主题模型的文本资源推荐中,通过本体扩展LDA模型的主题得到关联主题,然后考虑关联主题在文本中的分布概率,结合加权后的关联主题给予用户最终的推荐。实验结果表明,引入本体后,基于LDA主题模型的推荐惊喜度有了明显的提高。

一种用于本体排序的内容分析方法

针对使用传统的用于本体排序的方法得到的排序结果不够准确的问题,提出了一种新的内容分析方法。首先通过构造本体的概念模型提取本体的主题词集合得到本体的主题相似度;然后通过对关键词所在的本体上下文进行分析,得到本体相对于关键词的上下文相关度;最后结合主题相似度和上下文相关度得到本体相对于关键词的综合评价值并进行排序。实验结果表明,该方法可以有效地提高本体排序的准确性。

星汉窈渺--书信网络中蕴藏的人际关系挖掘

中国古代名人的书信,内容广博,记录了历史人物对社会世态的观察体验、对为官处世的经验心得,以及内心世界的描述披露。研究古代名人书信,可以帮助后人加深对历史事件的理解,补充史料细节,更加全面地认识历史人物的复杂性和多面性。由于语料规模和获取渠道的限制,目前名人书信研究多局限于个人所写所寄的书信。本文基于已提出的古代书信网络模型,设计相关网络度量方法,构建书信关联网络模型,旨在探索个人书信集里蕴含的群体人际关联。本文将此模型和度量方法运用于小规模数据集上开展试验,并加以史料佐证,希望能够为古代文本的知识发现提供新的思路和参考。

基于维基百科的军事舆情论坛话题追踪方法

针对互联网论坛话题追踪,提出一种基于维基百科知识的军事话题追踪方法。该方法首先以基于维基百科的词语语义相关度与共现统计方式,同时结合军事主题与帖子的结构特征建立文本图中节点间的关系边及其权重;接着以改进的基于图的链接挖掘方法选取帖子关键词;最后通过计算话题与文本关键词列表间的语义相关度实现话题追踪。实验表明,该方法无需大规模样本训练与语义知识的手工构建,能够有效解决语义稀疏对追踪所带来的负面影响,较好地追踪到军事话题帖。

基于概念语义相关性和LDA的文本标记算法

为了提高文本标记和分类的效率,提出了基于概念语义相关性和LDA的文本自动标记算法(Text Mark Label,TML),用以代替人工标记的文本分类标记.该算法在概念语义相关性计算的基础上,使用LDA(Latent Dirichlet Allocation)提取文本的主题表示,通过计算文本主题从属于各分类目录的期望从而实现文本自动标记.为验证TML算法的效果,在标准文本分类数据集上使用文本分类器进行有监督文本分类实验.为对比数据集和分类器对分类效果的影响,在3个数据集(WebKB、Reuters-21578、20-News Group)上分别使用3种不同的分类器(Rocchio、KNN、SVM)进行实验.实验结果表明:TML算法有效地提高了文本分类效率及文本标记效率.

基于维基百科的查询主题分类

提出了一种利用维基百科作为中介层的两阶段查询主题分类模型,对其实现方法做了详细的分析与设计。通过扩展查询获取与查询词主题相关的语义特征,并将查询与分类标签转移桥接在维基目录中以语义相关度判别分类标签,为实际应用提供了一条良好的设计与实现思路。实验结果表明,该方法能够有效解决查询分类中的数据稀疏问题,具有较好的分类准确率与召回率。