语义Web本体及本体库系统设计技术

当前的Web页面使用格式化表示语言描述信息,由于其以自然语言形式描述信息,因而不利于机器理解,为此而出现了语义Web这一研究领域,旨在实现Web的机器理解.文中介绍了语义Web的结构,然后对语义Web模型中的本体模型作了深入的讨论,包括本体的概念、构建本体的原因以及一个本体库系统所应具有的功能,并给出了有关功能结构图,最后讨论了未来的研究方向.     

面向大语言模型的越狱攻击综述

近年来,大语言模型（large language model,LLM）在一系列下游任务中得到了广泛应用,并在多个领域表现出了卓越的文本理解、生成与推理能力.然而,越狱攻击正成为大语言模型的新兴威胁.越狱攻击能够绕过大语言模型的安全机制,削弱价值观对齐的影响,诱使经过对齐的大语言模型产生有害输出.越狱攻击带来的滥用、劫持、泄露等问题已对基于大语言模型的对话系统与应用程序造成了严重威胁.对近年的越狱攻击研究进行了系统梳理,并基于攻击原理将其分为基于人工设计的攻击、基于模型生成的攻击与基于对抗性优化的攻击3类.详细总结了相关研究的基本原理、实施方法与研究结论,全面回顾了大语言模型越狱攻击的发展历程,为后续的研究提供了有效参考.对现有的安全措施进行了简略回顾,从内部防御与外部防御2个角度介绍了能够缓解越狱攻击并提高大语言模型生成内容安全性的相关技术,并对不同方法的利弊进行了罗列与比较.在上述工作的基础上,对大语言模型越狱攻击领域的现存问题与前沿方向进行探讨,并结合多模态、模型编辑、多智能体等方向进行研究展望.     

语音句子边界检测的模型及评价标准

语音作为一个交叉学科,具有深远的研究和应用价值.语音句子边界检测是语音识别中的一个重要步骤,它可以使语音识别具有更好的可读性.并能使我们理解语言处理模块.本文介绍了语音句子边界检测中常用的模型及评价标准.     

C语言程序设计中文件操作部分的教学方法探讨

学习C语言,不仅要求学生能够掌握基本语法知识,学会写程序,还应该深入理解库函数提供的功能是如何实现的,以达到与学过的语法知识融会贯通的目的。文章通过阐述在讲解文件操作时如何呼应已学过的知识点,包括结构体、函数和指针,从而加深对文件操作以及相应语法知识点的理解。     

基于跨语言数据增强的事件同指消解方法

事件同指消解是一个具有挑战性的自然语言处理任务,它在事件抽取、问答系统和阅读理解等任务中发挥着重要作用.现存的事件同指消解语料库的一个问题是标注规模较小,无法训练出高效能的模型.为了解决上述问题,该文提出了一个基于跨语言数据增强的事件同指消解神经网络模型ECR_CDA(Event Coreference Resolut...     

基于相关性约束的隐喻理解方法

隐喻理解已成为语言学、认知学、计算机科学等研究的重要课题,也是自然语言处理中不可避免的任务.本文提出一种基于相关性约束的隐喻理解方法,利用隐含的相关角度计算目标域和源域的相关程度.首先,我们基于词、词的主题及语篇的主题扩展出多层次的语义表示.然后,我们利用上下文信息的相关关系,构建多层次的相关性模型.模型通过多种角度的相关关系将跨层次的语义信息关联起来.接着,我们采用random walk的方法,通过迭代计算获得隐含角度的相关关系.最后,选择与目标域具有最大相关度的属性作为隐喻理解的结果.本文将模型应用到隐喻理解任务中,实验结果表明我们的方法能够有效地实现隐喻自动理解.     

几何命题处理中的中文分词技术

如何将自然语言表述的初等几何命题自动转化为计算机可理解的作图语言是自然语言处理中的空白,也是实现教育软件人机交互的难点.而中文分词是自然语言处理的第1步,分词结果直接影响后期的处理工作.该文通过对几何范围内的受限语言的研究,建立了有效可行的语言理解模型,完成了词素的切分和词性标注,并在程序上得以实现.     

C++语言中指针的级别

指针是C++语言学习中的重点,也是C++语言学习中的一个难点。透彻的理解和灵活运用指针是每个C++编程者的终级目标。为了让C++编程者透彻的理解和灵活运用指针,该文从指针的级别的角度出发,结合实例剖析指针。在实际的教学中证明,这种方法不仅让学生能深刻理解指针,而且能对指针相关知识融会贯通,学以致用。     

基于语言计算方法的语言认知实验综述

人脑对语言的理解过程十分复杂,涉及多个脑网络和加工机制。以往的工作大多采用严格控制的实验设计,针对特定的语言现象展开研究,导致了研究结论趋于碎片化,无法形成关于大脑语言理解的总体结论。另一方面,深度学习的出现引发了语言计算领域的技术变革,语言计算模型在多个任务上达到甚至超越了人类的水平。这为进行全局性、高生态效度的人脑语言理解实验带来可能性,促进了语言认知实验中引入语言计算模型方法的快速发展。那么,利用新兴的语言计算方法可以为大脑语言认知机理的研究带来哪些新的机遇和启发呢？该文归纳总结了利用语言计算方法进行语言认知实验的相关工作,并对未来发展趋势予以展望。     

一种图象理解的专家系统工具语言

为了在实时图象处理系统中,实现并行环境下基于黑板模型的多知识源协同求解,从知识表示、推理方式、控制机制等方面介绍了智能所自行研制的一种图象理解专家系统工具语言--V语言（V.3版本）。该语言具有多种知识表示,采用数据驱动与模型驱动相结合的推理方式,由黑板对推理进行控制,知识库由多个知识源（分别存在有关模型的静态知识和各种图象处理算法）组成等特点。最后给出了针对水上桥梁一类的图象进行理解的具体实例。     

隐喻理解的计算模型综述

国际上，隐喻在思维及语言中所处的中心地位正逐渐引起人工智能研究者的重视。但在国内学术界，还鲜有开展隐喻计算化这方面研究的；实际上，作为异常用法的隐喻现象是自然语言中的普遍情况，因此隐喻问题若得不到很好的解决，将成为制约自然语言理解和机器翻译的瓶颈问题。本文结合相关的隐喻理论基础，根据不同的计算路线对已有隐喻理解计算模型进行分类，包括基于语义优先方法、基于知识表示的方法、基于逻辑的方法和基于统计语料库的方法，并在分析这些方法的适用范围和优缺点的基础上，对隐喻的计算理解方法以及面向汉语的隐喻理解计算模型研究提出了展望和建议。     

Report on workshop on high performance computing and communicationsfor grand challenge applications: computer vision, speech and naturallanguage processing, and artificial intelligence

The findings of a workshop, the goals of which were to identify applications, research problems, and designs of high performance computing and communications (HPCC) systems for supporting applications are discussed. In computer vision, the main scientific issues are machine learning, surface reconstruction, inverse optics and integration, model acquisition, and perception and action. In speech and natural language processing (SNLP), issues were identified statistical analysis in corpus-based speech and language understanding, search strategies for language analysis, auditory and vocal-tract modeling, integration of multiple levels of speech and language analyses, and connectionist systems. In AI, important issues that need immediate attention include the development of efficient machine learning and heuristic search methods that can adapt to different architectural configurations, and the design and construction of scalable and verifiable knowledge bases, active memories, and artificial neural networks     

基于深度学习的机器阅读理解研究综述

机器阅读理解任务在近年来备受关注,它赋予计算机从文本数据中获取知识和回答问题的能力。如何让机器理解自然语言是人工智能领域长期存在的挑战之一,近年来大规模高质量数据集的发布和深度学习技术的运用,使得机器阅读理解取得了快速发展。基于神经网络的端到端的模型结构,基于预训练语言模型以及推理技术的应用,其性能在大规模评测数据集上有很大提升,但距离真正的理解语言还有较大差距。本文对机器阅读理解任务的研究现状与发展趋势进行了综述,主要包括任务划分、机器阅读理解模型与相关技术的分析,特别是基于知识推理的机器阅读理解技术,总结并讨论了该领域的发展趋势。     

Towards a cognitive foundation for knowledge representation

Abstract. Knowledge engineering, knowledge management and conceptual modelling are concerned with representing knowledge of business and organizational domains. These research areas use ontologies for knowledge representation. Ontologies are understood either in the philosophical sense as firm metaphysical commitments or in the looser sense of dictionaries or taxonomies.
This paper critically examines the understanding and use of ontologies and knowledge representation languages in information systems (IS) research and application. As ontologies are intended to be conceptualizations of a perceived reality, they should reflect the empirically observed reality. This motivates proposing psychology of language as a reference discipline for knowledge engineering and knowledge management. Natural language is argued to reflect the cognitive concepts we use to think about and perceive the world around us. These cognitive concepts are the relevant terms with which to structure and represent knowledge about the world.
Psychology of language can provide empirical justification for a particular set of concepts to represent knowledge. This paper draws on psycho-linguistic research to develop a proposal for a system of cognitive structures. This is argued to provide the relevant concepts on which to found knowledge representation schemata for knowledge engineering, knowledge management and conceptual modelling.     

Sememe knowledge computation: a review of recent advances in application and expansion of sememe knowledge bases

A sememe is defined as the minimum semantic unit of languages in linguistics. Sememe knowledge bases are built by manually annotating sememes for words and phrases. HowNet is the most well-known sememe knowledge base. It has been extensively utilized in many natural language processing tasks in the era of statistical natural language processing and proven to be effective and helpful to understanding and using languages. In the era of deep learning, although data are thought to be of vital importance, there are some studies working on incorporating sememe knowledge bases like HowNet into neural network models to enhance system performance. Some successful attempts have been made in the tasks including word representation learning, language modeling, semantic composition, etc. In addition, considering the high cost of manual annotation and update for sememe knowledge bases, some work has tried to use machine learning methods to automatically predict sememes for words and phrases to expand sememe knowledge bases. Besides, some studies try to extend HowNet to other languages by automatically predicting sememes for words and phrases in a new language. In this paper, we summarize recent studies on application and expansion of sememe knowledge bases and point out some future directions of research on sememes.     

融合知识感知与双重注意力的短文本分类模型

文本分类任务作为文本挖掘的核心问题,已成为自然语言处理领域的一个重要课题.而短文本分类由于稀疏性、实时性和不规范性等特点,已经成为文本分类的亟待解决的问题之一.在某些特定的场景,短文本存在大量隐含语义,由此对挖掘有限文本内的隐含语义特征等任务带来挑战.已有的方法对短文本分类主要是采用传统机器学习或深度学习算法,但是该类算法的模型构建复杂且工作量大,效率不高.此外,短文本包含有效信息较少且口语化严重,对模型的特征学习能力要求较高.针对以上问题,本文提出了KAeRCNN模型,该模型在TextRCNN模型的基础上,融合了知识感知与双重注意力机制.知识感知包含了知识图谱实体链接和知识图谱嵌入,可以引入外部知识以获取语义特征,同时双重注意力机制可以提高模型对短文本中有效信息提取的效率.实验结果表明,KAeRCNN模型在分类准确度、F1值和实际应用效果等方面显著优于传统的机器学习算法.我们对算法的性能和适应性进行了验证,准确率达到95.54%,F1值达到0.901,对比四种传统机器学习算法,准确率平均提高了约14%,F1值提升了约13%.与TextRCNN相比,KAeRCNN模型在准确性方面提升了约3%.此外,与深度学习算法的对比实验结果也说明了我们的模型在其它领域的短文本分类中也有较好的表现.理论和实验结果都证明,提出的KAeRCNN模型对短文本分类效果更优.     

语言计算的重要国际前沿

该文在互联网规模语言信息处理的语境下,从语言计算基础模型、语言分析、语言资源建设、机器翻译、文本内容理解与问答等多个方面,对国内外相关重要动态进行了评述,讨论了语言计算的若干前沿问题及其对中文信息处理近期研究工作所提出的要求。     

基于领域的省略及恢复研究

研究汉语语篇特性时,省略是其一个重点。简要阐述了汉语省略的基本概念,介绍了通过三个平面理论进行的基于领域的省略恢复研究。提出了实现自然语言的真实理解的目标,分析探讨了它所面临的主要困难。提出了基于规则推理的知识库系统构建方案,同时在知识获取这一瓶颈问题中引入自然语言理解技术来进行专家经验性知识的自动获取。构建的省略恢复模型已被运用在领域自然语言理解中,结果表明其在汉语正式体省略恢复中具有一定优越性。     

问答系统中复杂问题分解方法研究综述

问答系统可以针对用户提出的自然语言问题给出精准的答案,是自然语言处理领域中一个重要的研究方向。对于具有复杂语义结构和句法结构的多跳问题,模型需要强大的自然语言理解能力。问题分解作为问题理解的一种技术,有着不可估量的作用。阐述了问题分解的研究背景与意义;根据问题特征提取的方式,将现有的方法分为传统机器学习方法和深度学习方法两大类,传统机器学习方法以规则模板匹配和基于分割的方法为主,深度学习方法以基于Transformer、图神经网络、注意力机制、查询图和强化学习为主,并分别从模型架构、优势、劣势等方面进行分析。结合目前研究的动态,初步展望了未来的研究方向。