标准知识图谱构建与推荐算法

为了解决标准制定周期长、效率低以及标准数量多、检索困难等问题,首先提出构建标准知识图谱,从标准文档数据解析、标准知识模式定义、标准知识结构化和标准知识存储4个步骤进行描述。其次基于标准知识图谱实体与结构信息,提出标准知识图谱推荐算法,通过查询关键词识别、节点影响力计算、推荐相似度计算、推荐结果排序4步实现推荐算法流程,协助标准文档的快速制定。     

知识图谱补全算法综述

知识图谱补全算法能让知识图谱变得更加完整,目前是人工智能领域的一个研究热点。为了更好地给出补全算法综述,文章按照能否处理新实体或者新关系,将知识图谱补全算法分成两类:静态知识图谱补全算法以及动态知识图谱补全算法。前者仅能处理实体以及关系都是固定的场景,扩展性较差。后者可以处理含有新实体或者新关系的场景,能够构造动态的知识图谱,具有更好的现实意义。文章主要结合相关工作对动态知识图谱补全算法进行系统性的总结,发现动态知识图谱算法的研究热度逐渐增加,如何更好更快地构建动态知识图谱是一个较好的研究点。     

基于高斯层次感知的知识图谱链接预测

传统知识图谱链接预测任务忽略了知识之间可能存在的语义层次以及知识的不确定性,导致链接预测结果不佳。针对该问题,文中提出一种高斯层次感知知识图谱链接预测模型。在该模型中,高斯嵌入部分引入实体和关系的高斯分布信息,以实体分布和关系分布之间的距离来衡量实体之间是否存在链接。词向量嵌入部分将学习到的实体和关系的词向量转换为复向量,将词的复向量映射到极坐标系中建模实体的语义层次,以嵌入向量之间的距离来衡量实体之间是否存在链接。根据D-S证据理论,融合两部分得分函数,从而实现准确的知识图谱链接预测。实验结果表明,该模型可以有效地对知识图中实体的语义层次和不确定性进行建模,并且在现有基准数据集上的效果较优于其他方法。     

基于知识图谱信息协同传播的推荐模型

针对当前基于知识图谱的推荐模型没有充分挖掘知识图谱语义结构信息的问题,提出一种融合知识图谱表示学习方法和信息协同传播机制的推荐模型KCOD。KCOD基于经典的知识图谱表示学习模型DistMult与TransR建模并推理实体三元组的语义关系,然后通过交叉计算每一阶历史交互实体向量推理结果与候选物品实体向量推理结果的相似度,进行模型训练及偏好预测。实验结果显示KCOD的性能优于经典对比模型。     

基于知识图谱共同邻居排序采样的推荐模型

知识图谱作为辅助信息可以有效缓解传统推荐模型的冷启动问题。但在提取结构化信息时,现有模型都忽略了图谱中实体之间的邻居关系。针对这一问题,该文提出一种基于共同邻居排序采样的知识图谱卷积网络(KGCN-PN)推荐模型,该模型首先基于共同邻居数目对知识图谱中的每个实体邻域进行排序采样;其次利用图卷积神经网络沿着图谱中的关系路径将实体自身信息与接收域信息逐层融合;最后将用户特征向量与融合得到的实体特征向量送入预测函数中预测用户与实体项目交互的概率。实验结果表明该模型在数据稀疏场景下相较其他基线模型性能均获得了相应提升。     

基于双曲图注意力网络的知识图谱链路预测方法

现有的大多数知识表示学习模型孤立地看待每个知识三元组,未能发现和利用实体周围邻域特征信息,并且将树状层级结构的知识图谱嵌入到欧式空间,会带来嵌入式向量高度失真的问题。为解决上述问题,该文提出了一种基于双曲图注意力网络的知识图谱链路预测方法(HyGAT-LP)。首先将知识图谱嵌入到负常数曲率的双曲空间中,从而更契合知识图谱的树状层级结构;然后在所给实体领域内基于实体和关系两种层面的注意力机制聚合邻域特征信息,将实体嵌入到低维的双曲空间;最后利用得分函数计算每个三元组的得分值,并以此作为判定该三元组成立的依据完成知识图谱上的链路预测任务。实验结果表明,与基准模型相比,所提方法可显著提高知识图谱链路预测性能。     

基于知识增强的配电网运行信息关系抽取方法

知识图谱可辅助现场人员处理配电网运行过程中积累的海量异构文本,挖掘高价值运行信息。针对知识图谱构建需求人工标注成本过高的问题,提出一种基于知识增强的远程监督关系抽取方法。利用GloVe编码与Bi-GRU网络对配电网运行语料库的句包进行向量表征;同时,新增外部知识增强模块,通过Attention-GCN模型获取编码文本的句法结构以及非线性关系,实现低成本的关系抽取,解决传统远程监督学习存在的长尾分布及噪声问题,提升关系抽取精度。实验结果表明,该方法在配电网运行信息关系抽取任务中表现优秀,相较于主流模型在精确率上提升6%。     

一种面向学科领域的知识表示算法

随着教育信息化的发展,构建高质量的学科知识图谱尤为重要。针对目前教育领域知识图谱表示学习模型只利用了实体和关系间的距离信息,忽略了它们之间的语义信息导致知识表示不准确的问题。提出一种知识表示学习增强模型。首先,该模型采用关系矩阵来识别实体间的相关性,并使用关系向量描述子空间中实体间的关系。其次,在向量空间将头向量和尾向量投影至关系向量来增强关系与实体间的交互作用,加强实体和关系的语义关系。最后,在2个公共数据集和自建学科领域数据集上进行的链接预测实验表明,相比于基线模型,该模型在Hit@1、Hit@3、Hit@10及MRR上均取得较大提升。     

一种基于实体描述和知识向量相似度的跨语言实体对齐模型

跨语言实体对齐旨在找到不同语言知识图谱中指向现实世界同一事物的实体.传统的跨语言实体对齐方法通常仅依靠知识图谱内部的结构信息,但实际上一些知识图谱提供的实体描述信息也可以被利用.本文提出了一种结合知识图谱的内部结构和实体描述信息共同进行跨语言实体对齐的模型.该模型首先通过训练基于知识图谱结构信息的知识向量找到可能被对齐的实体对,再结合实体描述信息利用改进后的共享参数模型选出最终的对齐实体,最后通过迭代对齐的方法重复前两个步骤找到更多的对齐实体直到训练结束.实验结果表明,与基准算法相比,本文所提模型在跨语言实体对齐任务上可以取得相对不错的结果.     

基于表示学习的多关系型知识图谱推理算法

目前知识图谱的推理方法中,表示学习尤其是基于翻译的TransE系列算法取得了优异表现.其相关论文大都关注实体推理,然而关系推理作为知识图谱补全的关键技术值得受到关注与研究.与此同时,在规模不断扩大、知识来源更加多样化的知识图谱中,关系种类繁多且类型复杂,单个关系在全体三元组中的出现频率进一步降低,这为关系推理增加了难度...     

融合知识图谱和语义匹配的医疗问答系统

问答系统是自然语言处理领域中的一项重要任务,常应用于医疗服务。传统的问答系统通过知识图谱的实体关系匹配返回相应的尾实体作为答案,然而,倘若实体或关系无法识别,又或者在知识图谱中并不存在相应的实体关系,问答将无法继续进行。为了解决这一问题,建立一种融合知识图谱和语义匹配模型的中文医疗问答混合系统。当所提问题无法在知识图谱中进行实体关系匹配时,该模型能继续从问答对数据集中找到最相似的问题,并返回相应结果作为答案。在语义匹配模型方面,结合中文医疗相似问题对,在Sentence-BERT模型上进行微调训练,并引入双曲空间中的距离度量函数对句子对进行相似度度量。结果表明：在整体性能方面,所提模型相较于BERT这类大语言模型精度能提升7.16%;在度量能力方面,双曲度量相较于通用欧氏空间度量,如余弦度量,最高能有2.28%的精度提升和1.58%的F₁值提升。     

基于注意力机制和多关系事件的时序知识图谱推理

时序知识图谱推理是将时序信息引入知识表征学习和知识推理任务中,旨在推断事件在未来的演变趋势.针对大多数时序知识图谱推理方法存在跨时间实体与关系推理能力有限的问题,提出基于多关系事件和注意力机制的时序知识图谱推理模型（Attention Events Network,Attn-Net）.为利用时序知识图谱中推理任务与时序事件的关联信息,往往需要设计专门的、复杂度高的时序编码器.然而循环神经网络作为最常用的一类序列编码器,忽略了序列节点与任务之间的关联程度,并不能很好适用于知识推理.文中提出了使用自注意力机制序列编码模型来融合序列的历史信息,计算推理任务与时序历史信息的注意力标量,从而得到更准确的历史事件关联信息编码.在此基础上,使用注意力机制优化多关系邻域聚合器,根据不同关系下事件关注程度计算得到实体的邻域表示,从而获得更准确的事件编码,最终获取了更准确的实体邻域向量表示.在WIKI和YAGO数据集上实验表明,Attn-Net的效果分别提升了1.5%和2%,且有效提高了时序知识图谱推理的能力.     

目标专业领域知识图谱构建与应用初探

知识图谱技术能够将海量大数据中的信息、数据以及关联关系汇聚为知识网络,实现用户智能化检索与意图分析推理。通过对知识图谱构建过程中本体构建,多源异构互联网数据的实体抽取、关系抽取、图谱更新与维护等关键技术进行研究,构建了军事目标专业领域知识图谱,并在可视化查询、智能问答、高价值关系推荐等方向进行了应用探索,有效提高了数据的使用效益,为军事情报分析和知识应用提供了一种有效的工具和方法。     

基于实体集合扩展的旅游领域知识图谱扩展

在旅游领域,互联网的发展催生了海量的信息,可以应用知识图谱组织起来。但对于知识图谱里的知识,需要不断补充现实世界里的知识,以维护知识图谱的完整性。本文利用实体集合扩展的技术,从互联网数据中扩展实体集合,实现对知识图谱的扩展。     

基于知识图谱的变电站智能故障诊断研究

本文针对传统方法在变电站复杂关系和场景下故障诊断存在的不足,提出了一种基于知识图谱的变电站设备智能故障诊断方法,该方法建立了故障数据治理、领域词典构建、知识图谱构建、分布式向量表示和故障关系推理五个阶段构成的故障诊断框架。方法从变电站告警信息中提取知识构建故障诊断知识三元组,面向故障诊断问题设计评价函数对三元组的实体和关系进行分布式向量表示,以知识图谱关系推理的方式来实现故障诊断。通过在领域数据集上对方法进行试验,成功验证了方法的有效性。     

网络威胁情报关联分析技术

在巨大的利益诱惑下,网络攻击技术正在快速畸形发展,与此同时网络防御技术却显得捉襟见肘,缺乏有效的技术手段和理论依据对网络威胁事件进行追踪溯源.针对攻击数据碎片化、溯源线索难提取、攻击链条难关联等问题,分析网络威胁情报的特点,设计网络安全知识图谱,包括6类网络威胁情报实体、14种实体关系,以构建的知识图谱为基础,提出5种...     

深度学习赋能网络安全知识图谱实体关系联合抽取研究

文中研究了知识图谱中关于实体关系联合抽取方式,解决流水线抽取方式的误差传播、效率低下及关系重叠的问题,设计了网络安全本体模型,提出基于深度学习的Seq2Seq联合抽取模型,编码层通过BERT-WWM和双向长短期记忆网络(Bi-directional Long Short-Term Memory, BiLSTM)模型获取上下文语义表示,并融合多头注意力机制突显文本中的重要单词,解码层通过指针网络输出序列标注,从而获取头实体、关系及尾实体。以自标注的数据集为语料,通过TensorFlow框架建模,对实体和关系抽取的质量进行评估。结果表明,模型的精确率、召回率和F1值均较高,验证了联合抽取模型的有效性,最后通过Neo4j图数据库构建并可视化知识图谱。     

融合GAT和CapsNet的链接预测研究

为解决现有的链接预测模型不能有效考虑三元组之间潜在关系的局限性,提出了一种融合图注意力网络(Graph Attention Networks,GAT)和胶囊神经网络(Capsules Noural Networks,CapsNet)的知识图谱链接预测模型,使用图注意力捕获每个实体邻域中的实体和关系特征,引入胶囊神经网络...     

G2S:基于语义块的知识图谱问答语义解析

问题意图理解是知识图谱问答的主要任务之一,语义解析是当前理解问题意图的主流方法.其主要挑战是如何充分利用知识图谱上下文理解问句中的隐含实体或关系,以及时间、排序和聚合等复杂约束条件等意图.为了应对这些挑战,本文提出了一种基于语义块的知识图谱问答语义解析框架——Graph-to-Segment,框架中的语义解析模型结合了基于规则的准确度和基于深度学习的覆盖度,实现了问题到语义块序列的解析和语义查询图的构造.框架将问题意图使用基于语义块的语义查询图表示,将问题的语义解析建模为语义块序列生成任务,采用编码器-解码器神经网络模型实现问题到语义块序列的解析,然后通过语义块组装形成语义查询图.同时,结合知识图谱中的上下文信息,模型使用图神经网络学习问题的表示,改进隐含实体或关系的语义解析效果.在两个知识图谱问答数据集上的实验表明,模型性能达到了良好的效果.     

构建课程知识图谱的重要性研究——以“数据结构”课程为例

知识图谱(knowledge graph)是当前人工智能领域中新出现的学科以及调研领域,构建课程知识图谱是知识图谱、网络学习和知识服务等领域的重要研究内容。它的基础是关系数据的知识库,标记相关数据明确关系,打造底层的知识结构网络。知识图谱彰显的是实际生活中实体、事件和概念的关联,能够深层次地探究知识库中内容的语义、挖掘相关数据,运用现如今的机器学习技术以及自然语言处理技术,为用户供给合适的功能,例如智能搜索、知识推断以及情趣推荐等。创建课程知识图谱不仅是教育理念的“内化”,更有利于推动课程建设的“深化”,因此本文具体探讨了基于“数据结构”课程知识图谱构建的重要性。