共查询到20条相似文献,搜索用时 93 毫秒
1.
为了提高领域知识利用效率,改进推理准确度,增强结论对比度,研究了山羊疾病确诊方法,提出了双核推理确诊机制,设计了专家系统体系架构,构造了关键证据可信度预测加权不确定推理和自学习贝叶期推理算法.实验结果表明,同传统推理机制相比,双核推理诊断求解模型提高知识库利用率,改善了准确率和对比度. 相似文献
2.
本文通过对RDF推理技术的研究,寻找推理技术的特性,提出RDF推理规则的特性,并对该特性进行分析。该分析结果可以在今后信息检索中得到应用。 相似文献
3.
针对目前知识图谱中存在关系事实缺失且对隐含知识挖掘不足等问题,提出一种基于多级关系路径语义组合的关系推理算法。将知识图谱嵌入到低维向量空间中,利用强化学习进行路径发现,使得路径中实体和关系对应的向量作为循环神经网络的输入,经过迭代学习输出多级关系路径语义组合的结果向量,并将结果向量与目标关系向量进行相似度计算,从而进行关系推理。在FB15K-237和NELL-995数据集上的实验结果表明,该算法事实预测精度分别为0.314和0.417,均优于PRA、TransE与TransH模型。 相似文献
4.
针对目前疾病诊断系统以个人经验判断为主和规则推理效率低,缺乏灵活性等问题,提出一种基于相似度阈值的案例匹配算法。通过对病人表现症状的匹配分析,得出病人的诊断结果,根据诊断结果由系统推荐相应的治疗方案;同时对新出现的病症通过相关度的计算确定与相关疾病之间的联系,更新案例库。经实验得出,系统诊断结果的准确率为90.18%,表明该系统具有较高的诊断效率和较好的智能性,能为医生进行医疗诊断提供一定的辅助作用。 相似文献
5.
6.
贝叶斯网络是人工智能中不确定知识表示和推理的有力工具.介绍了贝叶斯网络的概念,给出一个实例,分析了贝叶斯网络推理的方法和过程. 相似文献
7.
8.
9.
本体的查询与推理机制研究 总被引:7,自引:0,他引:7
首先介绍了本体的定义并对其查询模型进行了探讨,然后在对已有的本体查询语言进行了比较和评价后认为,要充分利用本体的模式信息进行查询就必须提高查询的推理能力,重点对DQL(OWL-QL)的逻辑基础和推理机制进行分析,并提出本体查询语言的发展应该是在本体Web语言上进行语义规则的扩充。 相似文献
10.
11.
一种集成式不确定推理方法研究 总被引:2,自引:0,他引:2
摘要集成学习是采用某种规则把一系列学习器的结果进行整合以获得比单个学习器更好的学习效果的一种机器学习方法。研究表明集成学习是可行的,能取得比传统学习方法更好的性能。不确定推理是人工智能的重要研究方向之一,目前已经开发出了多种不确定推理方法,这些方法在实际应用中各有优缺点。借鉴集成学习,提出一种集成式不确定推理方法,其基本思想是按照一定的策略集成多种不确定推理方法,以提高推理的准确性。理论分析和实验结果验证了方法的合理性和可行性。 相似文献
12.
13.
14.
传统的基于关键字的信息检索技术不能满足人们对信息查询的需求,语义网技术是解决这一问题最有前景的方法。本文设计与开发一个基于出版物领域本体的语义查询与推理系统,该系统构建了出版物领域本体,并构造该领域本体的查询语句和推理规则,给出语义查询和推理的结果,并对结果进行测试。结果验证了系统对语义查询和推理的可行性和有效性。
相似文献
15.
活动识别已成为智能家居领域的研究热点,目前国内外有关活动识别方法的研究有很多,研究人员提出了不同的方法来进行活动建模和识别,可分为数据驱动方法和知识驱动方法.数据驱动方法容易受到维数的限制,并且需要大量的数据集来训练出活动模型.目前在有关活动识别研究的方法中缺少一种既能够考虑到异构数据之间的知识共享,又能够考虑到活动的... 相似文献
16.
基于范例和规则相结合的推理技术 总被引:5,自引:0,他引:5
机器学习人员多年来提出诸多机器学习的混合体系结构,以改进机器学习的性能。本文着重提出一个基于范例推理与规则推理相结合的推理技术,以及一个范例库划分算法,其目的是充分发挥两种推理的优势,提高问题求解的效率。最后给出了一些测试结果和相关的结论。 相似文献
17.
YARM:基于MapReduce的高效可扩展的语义推理引擎 总被引:1,自引:0,他引:1
随着语义网的快速发展,RDF语义数据大量涌现.大规模RDF语义数据推理的一个主要问题是计算量大、完成计算需要消耗很长的时间.显然,传统的单机语义推理引擎难以处理大规模的语义数据.另一方面,现有的基于MapReduce的大规模语义推理引擎,缺乏对算法在分布和并行计算环境下执行效率的优化,使得推理时间仍然较长.此外,现有的推理引擎大多存在可扩展性方面的不足,难以适应大规模语义数据的增长需求.针对现有的语义推理系统在执行效率和可扩展性方面的不足,文中提出了一种基于MapReduce的并行化语义推理算法和引擎YARM.为了实现分布和并行计算环境下的高效推理,YARM做出了以下4点优化:(1)采用合理的数据划分模型和并行化算法,降低计算节点间的通信开销;(2)优化推理规则的执行次序,提升了推理计算速度;(3)设计了简洁的去重策略,避免新增作业处理重复数据;(4)设计实现了一种新的基于MapReduce的并行化推理算法.实验结果表明,在真实数据集和大规模合成数据集上,YARM的执行速度比当前最新的基于MapReduce的推理引擎快10倍左右,同时YARM还表现出更好的数据和系统可扩展性. 相似文献
18.
从语义Web的基本概念开始,介绍了语义Web的层次结构;介绍了本体的基本概念以及用于本体描述的几种语言。用W3C推荐的本体描述语言OWL描述了一个本体实例,通过此实例对本体推理在本体建立中的冲突消解、描述优化、本体的合并和实例归类中的应用进行了研究,说明了本体推理在本体建立及本体应用中的作用。本体技术是语义Web的核心技术,所以建立和维护本体是语义Web中的主要工作之一,而基于本体的推理可以帮助建立和维护本体。 相似文献
19.
20.
将语义数据流处理引擎与知识图谱嵌入表示学习相结合,可以有效提高实时数据流推理查询性能,但是现有的知识表示学习模型更多关注静态知识图谱嵌入,忽略了知识图谱的动态特性,导致难以应用于实时动态语义数据流推理任务。为了使知识表示学习模型适应知识图谱的在线更新并能够应用于语义数据流引擎,建立一种基于改进多嵌入空间的动态知识图谱嵌入模型PUKALE。针对传递闭包等复杂推理场景,提出3种嵌入空间生成算法。为了在进行增量更新时更合理地选择嵌入空间,设计2种嵌入空间选择算法。基于上述算法实现PUKALE模型,并将其嵌入数据流推理引擎CSPARQL-engine中,以实现实时语义数据流推理查询。实验结果表明,与传统的CSPARQL和KALE推理相比,PUKALE模型的推理查询时间分别约降低85%和93%,其在支持动态图谱嵌入的同时能够提升实时语义数据流推理准确率。 相似文献