基于知识图谱的智能问答意图识别联合模型

针对现有意图识别联合模型在专业领域知识图谱问答中容易发生识别领域实体以及问句分类错误的情况,提出一个结合了领域知识图谱的意图识别联合模型。该模型有三步,将领域知识图谱中实体对应的本体标签以及本体间关系导入训练数据集,形成包含本体标签的知识文本以及额外包含本体关系的知识文本图;通过字符级嵌入和位置信息嵌入将包含了本体标签的知识文本转化成嵌入表示并依据知识文本图创建实体关系可视矩阵,明确知识文本各成分的相关程度;将嵌入表示和实体关系可视矩阵输入模型编码层进行模型的训练。以高速列车领域知识图谱为例,经过准确率和召回率的验证,以该方法训练出的模型在高速列车领域问答数据集的意图识别任务上取得了更好的表现。     

融合意图信息的小样本多意图识别

为解决匮乏资源下多意图识别语义、语境信息易受到不相关意图信息干扰的问题,该文提出一种基于原型网络在语义上嵌入意图信息的多意图识别方法。首先设计意图融合特征提取机制,通过结合话语和意图信息构建具有区分度的支持集、查询句和意图集表征,缓解短话语往往遭遇意图相关信息的语义混淆的问题;其次设计原型意图分离机制,计算所属意图话语对该意图原型的权重信息,联合意图权重得到分离式意图原型表征,降低支持集和查询句中不相关意图带来的噪声。实现了在低资源多意图场景下捕获高质量的原型表征。实验结果表明,该方法可有效提高小样本多意图识别的效果。     

战术计划识别模型的分析、描述与设计

分析计划识别问题的共性特点,根据军事领域的需求分析,建立战术计划识别模型的逻辑描述与形式化描述,设计实现一个以“匹配、生成假设、假设排序、动态跟踪预测”为主线的战术计划识别模型,并给出具体的应用实例,数据结果表明该模型比较能够反映实际中战术意图识别的特点,并在知识获取与推理效率等瓶颈问题上有了较大的改进。     

面向问题意图识别的深度主动学习方法

深度学习已经在许多自然语言处理任务中达到了最高水平的性能,但是这种方法通常需要大量的标注数据.该文围绕问题意图识别语料标注问题,结合深度学习和主动学习技术,实现了语料标注成本的降低.主动学习需要不断迭代地再训练,计算成本非常高,为加速这个进程,该文提出了一种适合问题意图识别任务的轻量级架构,使用双层CNN结构组成的深度...     

基于概率推理的入侵意图识别研究

攻击者的入侵行为背后往往蕴含着攻击者的目标和意图,据此提出了入侵意图识别的层次化模型。为了处理网络环境中的不确定性信息,提出了基于概率推理的入侵意图识别算法,并在此基础上预测攻击者的后续攻击规划和目标,从而起到提前预警的作用。根据网络安全事件、目标和意图之间的因果关系建立的贝叶斯网络能够描述和处理并发意图识别问题。试验证明了该方法的可行性和有效性。     

面向对手建模的意图识别方法综述

首先介绍了对手建模的几种不同的类型,引出行为建模中的意图识别问题;随后针对意图识别的过程、分类、主要研究方法、研究展望以及实际应用进行了归纳分析,总结并讨论了相关领域取得的最新研究成果;最后指出意图识别目前存在的不足以及未来的发展方向.     

多Agent合作逻辑中的动作与意图

改进并发博弈结构,给出了一个新模型.消除了不同Agent不准执行相同动作这个与常识不符的假定.给出了5个动作相关函数,使得对Agent、动作与状态三者之间的关系在社会法律约束下的深入考察成为可能.在语法层面同时表述动作和社会法律,提高了多Agent合作逻辑的灵活性和表达能力.在多Agent合作逻辑中引入信念算子和意图算子;考察了两种个体意图和两种群体意图;给出了对命题的个体意图的多子集语义,并把它拓展到对命题的群体意图的语义.     

改进GL-GIN的多意图识别和槽填充联合模型

在当前自然语言处理多意图识别模型研究中,存在建模方式均为从意图到插槽的单一方向的信息流建模,忽视了插槽到意图的信息流交互建模研究,意图识别任务易于混淆且错误捕获其他意图信息,上下文语义特征提取质量不佳,有待进一步提升等问题.本文以当前先进的典型代表GL-GIN模型为基础,进行优化改进,探索了插槽到意图的交互建模方法,运用槽到意图的单向注意力层,计算插槽到意图的注意力得分,纳入注意力机制,利用插槽到意图的注意力得分作为连接权重,使其可以传播和聚集与意图相关的插槽信息,使意图重点关注与其相关的插槽信息,从而实现多意图识别模型的双向信息流动;同时,引入BERT模型作为编码层,以提升了语义特征提取质量.实验表明,该交互建模方法效果提升明显,与原GL-GIN模型相比,在两个公共数据集(MixATIS和MixSNIPS)上,新模型的总准确率分别提高了5.2%和9%.     

规划识别中误导动作的研究

以往的规划识别中忽略了误导动作，导致一些特定领域中规划识别的准确度不高。为了解决该问题，该文引进了置信度、相关关系、相关动作序列等新概念，给出了一种根据相关动作序列置信度的计算结果，来判断规划识别中已观察动作是否为误导动作的算法。该算法的提出增强了规划识别的准确度，在入侵检测、网络安全等方面有着很好的应用前景。     

基于规划识别的多智能体协作研究及应用

多智能体系统是规划识别的一个有效应用平台，提出一种基于规划识别多智能体协作算法，对对抗环境和非对抗环境中的基于规划识别的多智能体协作算法进行了分析，实现了对队友和对手行为目的的认识和建模，减少了协作主体间需要通信的时间厦难度。该协作算法应用到多智能体的有效测试平台机器人足球赛中，试验结果证明，该算法在通信受限、信息受限或信息延时的系统中可有效预测队友和对手的行为，从而实现智能体间的协作。     

概率规划识别的研究与发展

概率规划识别由于其自身的实用性,已经成为人们关注的热点。因此,越来越多的学者致力于该领域的研究,至今已研发出多款高效优质的概率规划识别器,都取得了良好的效果。为了使广大学者对概率规划识别有一个较为全面的了解,文章就概率规划识别的发展,方法及其应用做以介绍。     

中文组织机构名称与简称的识别

本文提出了一种基于规则识别中文组织机构全称和简称的方法。全称的识别首先借助机构后缀词库获得其右边界,然后通过规则匹配并借助贝叶斯概率模型加以决策获得其左边界。简称的识别是在全称的基础上应用其对应的简称规则实现的。在开放性测试中,该方法的总体查全率为85.19%,查准率为83.03%,F Measure为84.10%;简称的查全率为67.18%,查准率为74.14%。目前该方法已应用于中文关系的抽取系统。     

智能规划识别及其应用的研究

智能规划识别已经被广泛地用于自然语言理解、知识推理、情景演算等计算机系统的许多方面。文章介绍了国内外学者的相关研究,包括规划识别研究的历史与现状、问题与展望。并介绍了规划识别的各种方法及规划识别的应用。     

基于粗糙集与计划识别的威胁估计方法

威胁估计过程中随有大量不确定性的信息,但需要对敌方计划进行快速识别。将粗糙集理论与计划识别相结合,提出一种基于粗糙集的计划识别方法。建立了粗糙集的多属性快速计划识别模型,给出了计算方法,并用实例验证了模型的快速有效性和正确性。实验结果说明,该模型可以提高威胁估计的效率,进而为提高模式匹配的效率提供一种新方法。     

基于有色网的多Agent计划建模

有色网能够描述资源和操作的具体语义。首先,由于计划中的操作和状态的个数的有限性,与有色网的元素个数有限性约束完全一致。另外,计划中的动作与有色网中的变迁语义类似,以及计划中的操作和状态和有色网中的库所语义非常类似。因此,有色网应用到计划的形式化中,有其独特的优势。本文根据约定的前提条件,计划建模从操作、状态和交互3个方面来具体实现,并给出了建模方法。计划的规范描述、有效性验证以及计划的模拟都可以直接应用经典Petri网或有色网的理论技术。     

Plan recognition for interface agents

Interface agents are computer programs that provide personalized assistance to a user dealing with computer based applications. By understanding the tasks the user performs in a software application an interface agent could be aware of the context that represents the user’s focus of attention at each particular moment. With this purpose, plan recognition aims at identifying the plans or goals of a user from the tasks he (for simplicity, we use “he” to refer to the user, but we do not mean any distinctions about sexes) performs. A prerequisite for the recognition of plans is knowledge of a user’s possible tasks and the combination of these tasks in complex task sequences, which describes typical user behavior. Plan recognition will enable an interface agent to reason about what the user might do next so that it can determine how to assist him. In this work we present the state of the art in Plan Recognition, paying special attention to the features that make it useful to interface agents. These features include the ability to deal with uncertainty, multiple plans, multiple interleaved goals, overloaded tasks, noisy tasks, interruptions and the capability to adapt to a particular user.