表象式语义网络研究

为解决形象思维及表象信息相关问题,结合语义网络以及表象式方法各自的优点,提出一种表象式语义网络知识表示方法.在语义网络中加入表象信息可以实现形象思维相关的推理.对表象式语义网络的构成要素及网络的组织进行了讨论,基于蚁群和最大最小蚁群算法提出了一种求解表象式语义网络的算法,给出了算法的实现步骤.实验结果表明,用表象式语义网络表示知识是可行的,利用该算法可以在表象式语义网络上进行推理,并能找到较为理想的解.     

中文语义网络的UML对象建模

介绍了一个汉语语义知识表达框架——语义网络，分析了语义网络的知识表示和逻辑推理，结合面向对象的描述语言UML(统一建模语言)对中语义网络进行了模型的描述。     

超级媒体智能化扩充模型初探（Ⅰ）

对基于语义网络知识表示的超级媒体智能化扩充模型进行了探讨，给出了结构化知识在超级媒体中的存储和管理方法，提出了基于语义网络的超级媒体智能化扩充的系统结构。     

基于ERNIE和BiLSTM的中文名词隐喻识别

隐喻普遍存在于自然语言中,精确的识别隐喻可以促进自然语言处理具体任务中语义的理解.为了提高中文名词隐喻识别效果,提出一种基于知识增强的语义表示(ERNIE)和双向长短期记忆网络(BiLSTM)的分类模型ERNIE_BiLSTM.该模型使用ERNIE进行编码,获取上下文相关的语义表示;并利用双向LSTM再次训练词向量,捕获文本长距离的语义关系.实验结果表明,ERNIE_BiLSTM模型在中文名词隐喻识别数据集上表现良好,准确率达到90.34％.     

基于agent的模式表示模型AIM

针对模式表示研究存在的语义缺失问题,基于agent技术和人的记忆原理,提出一个新的模式表示模型agent影响图(agent influence map,AIM)。AIM反映了模式的整体特征,提供一个有效的软计算工具来支持基于先验知识的自适应行为。AIM通过特征的多阶段整合呈现记忆模式的层次性;把模式信息存储在整个网络中,通过协作涌现出高层次特征体现记忆的语义特性。     

基于知网的词图构造

为了表示汉语语义信息,对知识图进行了改进,以知网为语义资源,通过研究知网中概念的表示,对汉语词语进行了分类,针对不同类型的词语构造了不同形式的词图,从而表示出了汉语中的最小语义单位,为中文信息处理中的语义分析奠定了基础.     

设计模式中知识表示的引入

从人工智能的角度首先提出设计模式实质上是软件工程中知识表示的雏形,并与专家系统的推理骨架进行对比,论证了在设计模式中引入知识表示的必要性,设计模式的语义描述目标主要面向人,还不能很好地面向计算机进而有效集成到ＣＡＳＥ环境,为此,提出了基于ＡＩ知识表示的新方法,给出了基知识建模的设计模式语义联系模型,并讨论了进一步的研究方向。     

网络群体性事件的主题特征知识库研究

随着我国信息社会的发展,近些年来各类网络群体性事件不断发生,给社会造成了诸多影响。就网络群体性事件的信息维、主题维、过程维来分析网络群体信息事件的主题特征,并基于其特征采取半自动化方法构建了网络群体性事件的主题特征知识库。对人工获取的主题知识采取本体语义方法对其进行分级表示,将组织好的知识存储在知识库中并对其进行动态管理,为以后的网络群体性事件信息的识别、预警和处置提供有效的知识支持。     

基于知识增强的图卷积神经网络的文本分类

针对文本分类问题,提出新的基于知识增强的图卷积神经网络（KEGCN）分类模型. KEGCN模型在整个文本集上构建了一个包含单词节点、文档节点、外部实体节点的文本图,不同类型节点之间使用不同的相似性计算方法;在文本图构建完成后将其输入到2层图卷积网络中学习节点的表示并进行分类. KEGCN模型引入外部知识进行构图,捕获长距离不连续的全局语义信息,是第1个将知识信息引入图卷积网络进行分类任务的工作. 在4个大规模真实数据集20NG、OHSUMED、R52、R8上进行文本分类实验,结果表明,KEGCN模型的分类准确率优于所有的基线模型. 将知识信息融入图卷积神经网络有利于学习到更精准的文本表示,提高文本分类的准确率.     

复杂产品工艺知识的语义本体表达方法

针对知识技术在产品工艺知识资源管理的可用性现状,在分析面向企业协同设计的复杂产品工艺知识多元化特点的基础上,提出一种面向语义的复杂机械产品工艺知识领域本体的表示和构建方法,通过利用本体建模工具建立工艺知识本体的结构模型,并采用描述逻辑语言对工艺知识进行形式化描述。针对不同知识本体间在语义层面上的关联,引入产品工艺知识本体概念间相似度和相关度的语义评价方法,设计了一种面向语义的本体概念集关系度量,进一步对语义本体工艺知识进行检索和聚类,保证了复杂产品工艺知识的集成与共享的实现。     

基于模糊推理的专家系统的研究与实现

介绍了故障诊断型模糊专家系统的知识表示和推理方式,研究运用模糊推理理论,采用模糊产生式知识表示法,利用模糊关系矩阵和语义距离相结合的方法设计了一个诊断模型,并探讨以该诊断模型的研究为基础,实现了一个异步电动机故障诊断型模糊专家系统.     

一种基于模糊推理的专家系统的设计与实现

描述了一种基于模糊推理模型的专家系统。在本系统中知识采用了框架结构和模糊产生式规则相结合的表示形式,引进了模糊匹配和语义距离等方法进行模糊推理,实现了一种较为理想的不确定性推理。     

基于实例分割的复杂环境车道线检测方法

针对基于语义分割的车道线检测方法存在的特征表述模糊、语义信息利用率较低的问题,采用实例分割算法,提出基于改进混合任务级联（HTC）网络的车道线检测方法. 基于HTC网络模型,在主干网络中引入可变形卷积,提升主干网络对复杂环境中车道线特征的提取能力. 改进特征金字塔网络结构,在特征金字塔网络的基础上添加自底向上的低层特征传递路径,引入空洞卷积,在不损失车道线特征信息的情况下增加特征图感受野,利用低层特征中所包含的车道线的精确定位信息,提高车道线的检测精度. 实验结果表明,改进HTC网络模型可以实现车道线特征的鲁棒提取,在复杂道路环境中可以获得较好的检测性能,有效提高了车道线检测精度.     

基于预训练BERT的军事领域目标实体深度学习识别方法

军事领域非结构化文本中的大量目标实体往往包含丰富的军事信息和军事知识,对其准确识别是进行军事信息抽取和军事知识组织的基础性关键任务,也是构建军事知识图谱的重要环节。针对军事领域标注数据不足以及军事实体边界模糊的问题,提出基于预训练BERT模型的深度学习识别方法。利用BERT生成基于当前输入语境特征的动态字向量来增强字的语义表示,融合字的含边界词性特征得到特征融合向量,再连接 BiLSTM-CRI神经网络。在自建的军事领域标注数据集上的实验结果表明,相较于另外两种基准方法,该方法在准确率、召回率和F值上获得了更优的表现。     

基于扩展模糊逻辑的公共服务事业知识表示方法

为了完成系统设计对公共服务事业知识存储表示的要求，需要有合适的知识表示方法来表示不同类型的知识．基于扩展模糊逻辑的知识表示方法，能够实现对复杂的、模糊的管理决策知识进行表示．该方法将模糊逻辑的隶属度值域从[0，1]扩展为扩展模糊逻辑的[-1，1]，使用0值来表示Zadeh模糊逻辑不能表达“不知道”的逻辑和不完全的知识．基于扩展模糊逻辑的知识表示方法不仅从理论上扩展了模糊逻辑，在实践上也为公共服务事业知识管理增加了新的方法．     

融合知识图谱的医疗领域命名实体识别

为了改善通用预训练模型不适应医疗领域的命名实体识别任务这一不足,提出了一种融合医疗领域知识图谱的神经网络架构,该架构利用弹性位置和遮盖矩阵使预训练模型计算自注意力时避免语义混淆和语义干扰,在微调时使用多任务学习的思想,利用回忆学习的优化算法使预训练模型均衡通用语义表达和目标任务的学习,最终得到更为高效的向量表示并进行标签预测。实验结果表明：本文提出的命名实体识别架构在医疗领域上取得了优于主流预训练模型的效果,在通用领域也有较为良好的效果。该架构避免了重新训练针对某个领域的预训练模型和引入额外的编码结构从而精简了计算代价和模型大小。此外,通过消融实验对比,医疗领域对于知识图谱的依赖程度较通用领域依赖程度更大,这说明在医疗领域中融合知识图谱方法的有效性。通过参数分析,证明本文使用回忆学习的优化算法可以有效控制模型参数的更新,使模型可以保留更多的通用语义信息并得到更符合语义的向量表达。本文也通过实验分析说明了所提方法在实体数量少的种类上具有更优的表现。     

Classifying health questions with local semantic and global structural information

Considering the shortcomings of existing research methods in the Chinese medical health questions classification task, this paper proposes a new health questions classification method that incorporates the health questions’ local semantic information and global structural information. We first obtain the questions’ local semantic representation and global structural representation by the convolutional neural network (CNN) and independent recurrent neural network (IndRNN). Then, we extract the questions’ semantic representation, and especially we get the questions’ semantic representation by fusing the local semantic representation and global structural representation using a self-attention mechanism. Finally, we classify the semantic representation of the medical health question through the softmax layer and output classification result. Experimental results show that this method leads to a good performance in the Chinese medical health questions dataset, and that it effectively improves the semantic representation ability of the model and significantly resolves the gradient vanishing and gradient explosion problems.     

FNN的服务型制造企业供应商选择

针对服务型制造条件下供应商选择的新要求和复杂性,将模糊理论与人工神经网络有效结合起来,提出基于模糊神经网络（FNN）的供应商选择策略．利用模糊系统较强的知识表达能力,将神经网络的输入袁示为模糊隶属度,解决定性指标定量化及模糊性问题;利用神经网络较强的自适应、自学习能力和泛化能力,克服供应商评价过程的主观随意性、复杂非线性和动态特性带来的不利影响,从而实现对供应商的实时动态评价;通过选择合适的算法,设计相应的BP神经网络,进行实例仿真．仿真结果表明,该方法能够克服供应商选择评价过程中的主观随意性大、算法复杂以及定性指标定量化问题,并实时动态再现专家评价结果,其最大相对误差不超过0．4841％．