-
题名知识图谱可视化查询技术综述
被引量:22
- 1
-
-
作者
王鑫
傅强
王林
徐大为
王昊奋
-
机构
天津大学智能与计算学部
天津泰凡科技有限公司
同济大学设计创意学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2020年第6期1-11,共11页
-
基金
国家自然科学基金(61972275)
天津市自然科学基金(17JCYBJC15400)。
-
文摘
知识图谱作为符号主义发展的产物,是人工智能技术和系统中的重要组成部分,其在百科知识、生物信息、社交网络以及网络安全等领域被广泛运用。知识图谱可视化查询是理解和分析知识图谱的重要技术,能够帮助普通用户有效地查询知识图谱。分类介绍知识图谱的数据模型和可视化技术,从数据规模的角度描述大规模知识图谱可视化的一般步骤。分析基于RDF图和属性图的可视化查询语言、基于关键字、过滤和模板的可视化查询系统,以及本体可视化查询方法,从可读性、可学习性、用户友好度等方面对现有知识图谱可视化查询技术进行对比总结,阐述可视化查询在领域知识图谱中的应用现状,并对知识图谱可视化查询的未来发展方向加以展望。
-
关键词
知识图谱
查询语言
可视化技术
可视化查询
本体可视化
-
Keywords
knowledge graph
query language
visualization technology
visualization query
ontology visualization
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名疗养院服务信息系统设计和实现
被引量:3
- 2
-
-
作者
田晓颖
刘泽华
贾勇哲
张烁
贺斌
-
机构
中国人民解放军天津疗养院
天津泰凡科技有限公司
-
出处
《中国数字医学》
2018年第9期71-72,114,共3页
-
文摘
目的:为了深度挖掘现有各业务系统的数据资源,积极探索服务保障新模式,更好地适应人们健康理念的新变化,提出了服务信息系统的构建。方法:基于移动平台的开发技术使用高级面向对象语言开发移动端应用,基于微软编程框架,采用MVVM设计模式开发PC端应用程序,构建C/S结构的服务信息系统。同时与院区现有系统采用消息中间件与微服务进行平台整合。结果:与现有的疗养系统、体检系统等进行系统集成,形成一体化综合性服务平台,疗养人员可以通过移动端查询健康状况、医护人员的建议和医嘱等信息,了解饮食、运动等疗养指南。结论:该系统的应用为探索疗养服务新模式提供了信息化支持,有效提升了卫勤保障能力和疗养服务水平。
-
关键词
军队疗养院
服务
ANDROID
MICROSOFT.NET
-
Keywords
army sanatorium
service
Android
Microsoft.Net
-
分类号
R197.32
[医药卫生—卫生事业管理]
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名开放领域知识图谱问答研究综述
被引量:13
- 3
-
-
作者
陈子睿
王鑫
王林
徐大为
贾勇哲
-
机构
天津大学智能与计算学部
天津市认知计算与应用重点实验室
天津泰凡科技有限公司
-
出处
《计算机科学与探索》
CSCD
北大核心
2021年第10期1843-1869,共27页
-
基金
国家重点研发计划(2019YFE0198600)
国家自然科学基金面上项目(61972275)。
-
文摘
知识图谱问答是通过处理用户提出的自然语言问题,基于知识图谱的某种形式,从中获取相关答案的过程。由于知识规模、计算能力及自然语言处理能力的制约,早期知识库问答系统被应用于限定领域。近年来,随着知识图谱的发展,以及开放领域问答数据集的陆续提出,知识图谱已用于开放领域问答研究与实践。以技术发展为主线,对开放领域知识图谱问答进行综述。首先,介绍五种基于规则模板的开放领域知识图谱问答方法:传统语义解析、传统信息检索、三元组匹配、话语模板和查询模板,这类方法主要依赖人工定义的规则模板完成问答工作。其次,描述五种基于深度学习的方法,这类方法采用神经网络模型完成问答过程的各类子任务,包括知识图谱嵌入、记忆网络、基于神经网络的语义解析、基于神经网络的查询图、基于神经网络的信息检索。接着,介绍开放领域知识图谱问答常用的4个通用领域知识图谱和11个开放领域问答数据集。随后,按照问题的难易程度选择3个经典问答数据集比较各问答系统的性能指标,对比不同方法间的性能差异并进行分析。最后,展望开放领域知识图谱问答的未来研究方向。
-
关键词
知识图谱问答(KGQA)
开放领域
深度学习
语义解析
信息检索
-
Keywords
knowledge graph question answering(KGQA)
open-domain
deep learning
semantic parsing
information retrieval
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名有监督实体关系联合抽取方法研究综述
被引量:13
- 4
-
-
作者
张少伟
王鑫
陈子睿
王林
徐大为
贾勇哲
-
机构
天津大学智能与计算学部
天津市认知计算与应用重点实验室
天津泰凡科技有限公司
-
出处
《计算机科学与探索》
CSCD
北大核心
2022年第4期713-733,共21页
-
基金
科技创新2030“新一代人工智能”重大项目(2020AAA0108504)
国家自然科学基金面上项目(61972275)。
-
文摘
实体关系联合抽取作为信息抽取领域的核心任务,能够从非结构化或半结构化的文本中自动识别实体、实体类型以及实体之间特定的关系类型,为知识图谱构建、智能问答和语义搜索等下游任务提供基础支持。传统的流水线方法将实体关系联合抽取分解成命名实体识别和关系抽取两个独立的子任务,由于两个子任务之间缺少交互,流水线方法存在误差传播等问题。近年来,实体关系联合抽取成为新的研究趋势,其可以建立统一的模型使得不同子任务彼此交互,进一步提升模型性能。对有监督实体关系联合抽取方法进行综述,根据抽取特征的不同方式,可将实体关系联合抽取分为基于特征工程的联合抽取和基于神经网络的联合抽取两种类型。首先,介绍基于特征工程的联合抽取,包括整数线性规划、卡片金字塔解析、概率图模型和结构化预测四种方法,这四种方法都需要采用相对复杂的特征工程方法。然后,介绍基于神经网络的联合抽取,这类方法可以自动抽取特征信息,已逐渐成为联合抽取的主流方法,其主要包括共享参数和联合解码两种类型。接着,介绍有监督实体关系联合抽取常用的七个数据集以及评价指标,并对不同的实体关系联合抽取方法进行了实验对比分析。最后,展望实体关系联合抽取的未来研究方向。
-
关键词
联合抽取
特征工程
神经网络
-
Keywords
joint extraction
feature engineering
neural network
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-