概念图知识表示方法的研究

本文简要介绍了一种新的知识表示方法－概念图;详细论述了概念图知识表示的机器内部实现方法以及在推理过程中如何实现概念图之间的匹配。     

基于概念图的关联规则知识表示

针对传统关联规则表示方式无法展现领域知识、数据项间的关系及规则中所隐含的信息等问题,提出了一种基于概念图的关联规则知识表示方法,该方法包括模式定义和模式解析,其结合概念图理论可将关联规则转换成概念图的知识表示形式。给出了关联规则的概念图知识表示算法,并以某省全员人口数据为数据源对算法进行了具体实现和分析。实验结果表明,该方法在人口信息表现方面具有良好的效果。     

模糊概念图知识表示及其推理机制研究*

通过对现有模糊概念图的研究,针对概念的所指域与模糊信息间的冗余问题和用模糊度表示模糊概念问题,提出一种改进的模糊概念图知识表示方法。在改进的模糊概念图中,用模糊集合表示概念图中的模糊概念和模糊关系,并将模糊概念的所指域同模糊集合合并,减少信息冗余。根据改进的模糊概念图,重点研究了模糊概念图的匹配推理机制,设计了基于语义约束的匹配推理算法,并定量分析了算法的时间复杂度和空间复杂度。经过在《计算机文化基础》课程中实验测试,算法反映了考生主观题的答卷情况,同人工阅卷结果基本一致。     

基于描述逻辑的概念图推理

分析了概念图在知识表示领域的重要性及其存在的问题,提出了一种基于描述逻辑的具有自动推理功能的扩展概念图.针对概念图的特点和需求,给出了将概念图的一个子集转化为描述逻辑知识库的方法,并证明了该方法的正确性.同时给出了其知识库的一致性、包含关系的自动判断方法,也证明了这些判断方法的正确性.     

概念图在简答题自动批改系统中的应用

本文介绍了一种新的知识表示方法-概念图知识表示方法。并针对计算机自动评判系统中简答题的批改问题,提出了一种基于课程以概念图为工具的简答题自动批改方法。     

基于概念图的中文信息自动转化技术研究

概念图是一种基于语言学、心理学、哲学为一体的一种知识表示方法,目前主要应用于自然语言处理、知识获取、规划及推理等方面。在哈工大IR-Lab资源基础之上,并结合《知网》的世界知识信息,基于概念图理论提出了一种中文文本信息自动转化为概念图的实现方案。可以实现从中文文本直接转化到概念图结构。     

基于概念图的汉语语义计算的研究与实现

中文信息处理的发展迫切需要加强汉语语义理论的研究,尤其是汉语语义表示形式和语义计算的研究。针对目前汉语语义计算方法的计算结果并不准确的问题,提出了一种基于概念图的汉语语义计算方法。该方法以“知网”为语义知识资源,以概念图为知识表示方法,把自然语言文本转化为概念图,通过概念图的匹配实现语义计算,以改善语义计算的效果。实验结果表明该方法对汉语语义计算是有效的。     

一种新的知识表达方法：概念结构

本文详细论述了概念结构中概念图的表示形式；类型理论、类型标号、类型层次和类型格；个体与名字、聚集与个别；正则图及构成规则（拷贝、限制、连接和化简）。概念图是一种最新的知识表达方法，语义表达能力强，可读性好，接近于自然语言，能加入背景知识，推理速度快，已被证明优于其他传统的知识表达方法，必将为解决AI知识获取瓶颈起到积极作用。     

利用概念图辅助英语课堂教学

随着信息技术的迅猛发展,越来越多的知识可视化工具开始应用到课堂教学中,概念图就是其中之一,它能够有效地促进教学活动的开展.概念图是一种由概念节点和连线所组成的一系列概念的结构化表征,节点表示某一命题或知识领域内的某一概念,连线则表示节点概念间的内在逻辑关系.     

一种建筑施工技术知识表示方式的研究与实现

对一个知识管理系统而言,选择一种合适的表示方式至关重要。鉴于建筑施工技术知识的复杂性和多样性,一种知识表示方法无法合理全面地表示所有的知识,该文融合框架理论、产生式规则、过程表示等知识表示方法的特点,以面向对象的思想进行标识和描述,以自然语言的方式展示,提出了一种适应建筑施工领域知识特点的混合知识表示方法,同时给出了知识库在关系数据库中的实现及建筑施工领域内大部分的简单规则推理的方法。     

融合实体概念描述与图像特征的知识图谱表示学习研究

知识图谱表示学习将实体和关系映射到一个连续的低维空间.传统学习方法是从结构化的三元组学习知识表示,忽略了三元组之外与实体相关的丰富多源信息.针对该问题,提出一种将实体概念描述和图像特征与事实三元组相结合的知识图谱表示学习模型DIRL.首先,利用BERT模型进行实体概念描述的语义表示;其次,使用CNN编码器对图像总体特征进行提取,然后通过基于注意力的方法表示图像特征;最后,将基于概念描述的表示和基于图像特征的表示与翻译模型TransR结合起来进行知识图谱表示学习.通过实验验证,DIRL模型优于现有方法,提高了多源信息知识图谱表示的有效性.     

半边图模型之构造演算

提出一个动态可增殖的多层次自组织认知系统,每个层次具有形式上一致的知识表示方法,各层的自组关联、自组聚合、归约和样本表达四个知识处理模型是实现系统自组织层次增殖的核心模型。指出若要实现层次可自组织增殖的系统,其关键是要设计一个合理的聚合归约演算系统;提出一个适用于各个层次的基于可结合半边的自组图知识表示法,先给出自组图形式化的静态定义和动态定义,然后以自组关联模型为背景给出对应的自组图构造算法。     

一种基于本体的概念语义相似度计算研究

概念的语义相似度研究,是知识表示以及信息检索领域中的一个重要内容.通过分析两种传统的语义相似度计算方法,对它们存在的问题进行改进,提出了一种综合的基于本体的概念语义相似度计算方法.该方法结合本体网络特征和语义距离计算中的多种语义影响因素,充分利用本体中概念的语义信息计算概念间的语义相似度.实验结果比较合理,验证了该方法的有效性.     

融合文本概念化与网络表示的观点检索

观点检索是自然语言处理领域中的一个热点研究课题.现有的观点检索模型在检索过程中往往无法根据上下文将词汇进行知识、概念层面的抽象,在语义层面忽略词汇之间的语义联系,观点层面缺乏观点泛化能力.因此,提出一种融合文本概念化与网络表示的观点检索方法.该方法首先利用知识图谱分别将用户查询和文本概念化到正确的概念空间,并利用网络表示将知识图谱中的词汇节点表示成低维向量,然后根据词向量推出查询和文本的向量并用余弦公式计算用户查询与文本的相关度,接着引入基于统计机器学习的分类方法挖掘文本的观点.最后利用概念空间、网络表示空间以及观点分析结果构建特征,并服务于观点检索模型,相关实验表明,本文提出的检索模型可以有效提高多种检索模型的观点检索性能.其中,基于统一相关模型的观点检索方法在两个实验数据集上相比基准方法在MAP评价指标上分别提升了6.1%和9.3%,基于排序学习的观点检索方法在两个实验数据集上相比于基准方法在MAP评价指标上分别提升了2.3%和14.6%.     

融合多模态资源的教育知识图谱的内涵、技术与应用研究

传统的教育知识图谱研究多数面向文本资源,忽略了多模态资源对教育知识的解读作用及其自身丰富的特征表示。为了更好地推进后续研究工作,以多模态资源为切入点,对教育知识图谱进行综述。首先,介绍了知识图谱的概念和分类;其次,综述了教育知识图谱的内涵,对教育知识图谱的定义、分类及其构建框架进行梳理;结合以神经网络为代表的深度学习方式,对教育知识图谱的构建技术进行重点介绍;最后,总结了教育知识图谱的相关应用,并指出当前研究中存在的问题与未来的研究方向。     

GRADIS – The multiagent environment supported by graph transformations

The specification and simulation of a complex multiagent system needs an abstract representation that is powerful enough to describe a solved problem and sufficiently abstract to understand and illustrate its behavior. Complementary graphs concept enables the distribution of a graph representation of a system knowledge and allows its independent modifications by agents, in such a way that this representation remains consistent. A problem representation from the centralized and distributed point of view makes the partial graphs the useful tool for a multiagent system designer. It also creates an environment capable of verifying the features of multiagent systems (represented by graph metrics) by simulation of a multiagent system behavior.     

基于异质信息网络的推荐模型

为了解决推荐系统的冷启动和稀疏性问题, 本文提出了一种基于异质信息网络的推荐模型. 传统的推荐方法无法在知识图谱表示学习中融入隐含的路径信息, 这样使得知识推荐系统性能较为一般. 本文提出的模型在异质信息网络中设置元路径, 通过图神经网络融入到知识图谱表示学习中. 再利用注意力网络连接推荐任务和知识图谱表示任务, 其可以学习两个任务之中潜在的特征, 并且能够增强推荐系统中被推荐项和知识图谱中实体的相互作用. 最后在推荐任务中进行用户点击率预测. 模型在公开数据集Book-Crossing和通过DBLP数据集构建的图谱上进行了实验. 最后结果表明, 模型在AUC, 召回率和F1值3个指标上均比其他算法有更好的表现.     

个性化知识的表示方法

在当前信息暴涨的时代,网络信息正在面临着各取所需的要求,信息检索、话题检测、信息推荐等应用技术都逐渐开始面向个性化的发展趋势。然而目前的个性化技术大都依赖于对用户行为的了解,根据用户的历史行为,判断和预测用户的目的,没有同用户的当前所具有的知识结合起来。提出一种用户个性化知识的粗略表示方法--词形关系图,作为个性化应用技术的基础。具体内容包括：词形关系图表示知识的方式,结合遗忘规律从用户语料库中获取个性化词形关联的方法,以及结合实验结果对该表示方法应用可行性的初步分析。     

融合知识表示和深度强化学习的知识推理方法

知识推理是解决知识图谱中知识缺失问题的重要方法,针对大规模知识图谱中知识推理方法仍存在可解释性差、推理准确率和效率偏低的问题,提出了一种将知识表示和深度强化学习相结合的方法RLPTransE。利用知识表示学习方法,将知识图谱映射到含有三元组语义信息的向量空间中,并在该空间中建立强化学习环境。通过单步择优策略网络和多步推理策略网络的训练,使强化学习智能体在与环境交互过程中,高效挖掘推理规则进而完成推理。在公开数据集上的实验结果表明,相比于其他先进方法,该方法在大规模数据集推理任务中取得更好的表现。