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。     

面向食品安全法规的知识图谱构建

我国建立了完备的食品安全法规体系,其具有海量和零散性的特点,难以检索分析。以食品安全法规文本数据为依托,通过自顶向下和自下而上的方式进行食品安全法规知识图谱的构造研究。首先,获取多源异构的食品安全法律法规和问答数据语料,对用户的需求进行分析。其次,定义食品安全知识图谱的本体层及其属性,使用基于规则的方法对知识进行抽取,针对规则性不强的知识,使用基于机器学习的命名实体识别方法完成领域命名实体识别。最后,实现食品安全法规知识图谱的构建。     

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。     

基于蜜蜂知识图谱智能问答系统

针对农业信息化在蜜蜂领域缺失的问题,提出了一定规模的蜜蜂领域知识图谱的构建。首先,通过爬虫程序获取到真实有效的数据集,再经过相似度计算进行知识融合。然后,利用图数据库Neo4j对知识进行存储,完成蜜蜂领域的知识图谱的构建。最后,通过命名实体识别和问句意图识别任务分解智能问答,并通过Flask框架搭建可视化的页面,最终实现了智能问答系统。实验结果表明,所设计的智能问答系统在蜜蜂知识问答领域,在一定程度上弥补该领域的空白,也为农业信息化落地提供了思路。     

面向电商领域的旗袍知识图谱构建与实证研究

为挖掘旗袍服饰要素的关联关系与隐藏价值,构建一个基于电商数据的细粒度旗袍知识图谱,并开展实证研究。旗袍知识图谱采用自底向上逐层构建的方法,首先根据先验知识设计细粒度本体模型,为后续工作提供逻辑基础;然后采集并预处理原始数据,通过知识抽取、知识融合规范化数据,进行实例填充,完成数据层设计;最后将数据存储到图数据库,实现可视化。在此基础上,围绕旗袍、服饰要素以及用户人群开展深度挖掘、知识推理,借助图分析算法在社区检测、相似度和要素关联上展开实证研究。结果表明：旗袍知识图谱蕴含服饰要素之间隐藏的关系,能够挖掘内在的语义信息;旗袍服饰要素和用户人群之间存在一定的知识关联性,进而辅助设计与销售决策。     

基于GCN的配电网知识图谱构建及应用

知识图谱拥有强大的表达能力,借助知识图谱可快速生成检索配电网设备选型、配置连接的辅助决策规则库,有利于降低配电网规范使用难度.同时,由于自动从技术规范文档提取实体关系时存在实体缺失和语义模糊等问题,文中提出基于GCN的配电网知识图谱构建方法,利用文档的语法依存关系和图神经网络的消息传递能力,实现多元实体关系抽取,以提高...     

基于知识图谱的政务服务精准治理关键技术研究

针对政府管理社会公共事务、化解社会矛盾的迫切需求,提出知识图谱概念与应用,通过大规模多源异构数据获取、多模态异构数据的知识图谱构建、知识图谱的政务精准治理与服务等关键技术的研究,辅助政府决策,实现精准治理,提高政府公信力。     

钻床设备知识图谱的构建及应用

本文为了提高工业大数据的利用率,构建了一个钻床设备知识图谱并分析了其在设备故障诊断与预测中的应用。利用protégé软件工具构造本体形成模式层,并从关系数据库和其他数据源中映射数据层。通过关系数据库与本体之间的知识映射形成的三元组实体存储在SQL中,并用neo4j实现可视化。构建的知识图谱主要用于设备管理中的故障预测、诊断和健康维护,也可以用于制造服务业的智能问答服务和辅助决策。     

基于电力领域知识图谱的智慧客服系统研究

针对现有知识图谱电力客服系统存在应用数据相对封闭、数据管理低效、图谱表示单一、规则表示困难及抽样本稀少等问题，设计了一个基于电力领域知识图谱的智慧客服系统。该系统由在线客服、信息解析、知识匹配、意图识别、业务处理及交互等模块组成，利用领域知识图谱技术构建电力客服领域知识库，运用结构化方式呈现电力客服中概念、实体、事件之间的关系，并融合自然语言技术和深度学习算法实现系统智能问答，最后通过系统测试验证系统的有效性，为智慧电力客服系统设计与实现提供参考。     

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。     

面向缺陷知识的多特征匹配搜索算法

缺陷数据分析正成为软件工程领域的热点,现有缺陷分析技术无法有效处理复杂和冗余的缺陷数据,以高效地辅助缺陷修复工作.本文提出一种多特征匹配搜索算法——MMSBK(Multi-feature Matching Search Algorithm for Bug Knowledge).首先对缺陷问题进行分析,抽取其包含的缺陷实体及关系;然后,基于实体和关系匹配将缺陷问题与缺陷知识图谱关联,通过知识图谱的关联性和可视化帮助软件开发搜索缺陷知识;最后,基于匹配算法生成的缺陷关系三元组生成搜索结果子图.实验验证了MMSBK算法的有效性.     

基于知识图谱的电磁干扰源定位方法

为解决现有电磁大数据管理手段单一,无法充分利用电磁数据的弊端,引入分区管理的概念,采用聚类算法将电磁数据按地理属性进行分区,利用图数据库对电磁数据进行管理,将电磁聚类后的结果转化为知识图谱实体,抽取实体之间的关系,发掘电磁数据间的潜在关联。针对电磁干扰源定位难、效率低下的问题,提出了以知识图谱为基础,大数据实时处理技术为辅助的改进接收信号强度指示(RSSI)定位算法,并实验仿真了真实电磁数据下干扰源定位的过程,分析了单目标干扰源和多目标干扰源下定位的性能。实验结果表明,所提的基于知识图谱的电磁干扰源定位方法较传统RSSI定位方法效果更显著,误差更小。     

基于卷积神经网络的医疗护理实体关系抽取

针对医疗护理领域知识复杂性强、数据量大以及对准确度要求较高的问题,该研究提出一种基于卷积神经网络的医疗护理学实体关系抽取方法,实现对护理学语义关系的细粒度文本挖掘。该研究构建了医疗护理学语料标注系统,通过将医疗语料转化为向量特征矩阵,实现了对医疗语料的自动过滤和标注。通过向神经网络模型嵌入所构建的医疗关系语料库,一定程度上提高了模型疾病分类的准确度。在医疗护理学数据集上的实验表明,基于卷积神经网络的模型在指标精确度、召回率、F1值可达到89.78%、87.59%、89.77%。综上所述,该研究提出的基于卷积神经网络的医疗护理学实体关系抽取方法能够有效地抽取医疗语料数据中的实体关系,优于传统的实体关系抽取模型。     

基于本体的邮轮设计知识图谱构建分析

文章针对邮轮设计知识多源异构性问题,提出一种基于本体的知识图谱自动构建技术。利用知识结构化模板,建立本体与图谱之间的映射机制,形成面向邮轮设计的垂直领域知识图谱自动构建方法,提高邮轮设计知识搜索效率和可视化水平。开发基于微服务架构的邮轮智能设计知识服务云平台,验证知识图谱的本体建模技术在邮轮设计知识检索中的可行性。     

融合知识的中文医疗实体识别模型

从医疗文本中抽取知识对构建医疗辅助诊断系统等应用具有重要意义.实体识别是其中的核心步骤.现有的实体识别模型大都是基于标注数据的深度学习模型,非常依赖高质量大规模的标注数据.为了充分利用已有的医疗领域词典和预训练语言模型,本文提出了融合知识的中文医疗实体识别模型.一方面基于领域词典提取领域知识,另一方面,引入预训练语言模型BERT作为通用知识,然后将领域知识和通用知识融入到模型中.此外,本文引入了卷积神经网络来提高模型的上下文建模能力.本文在多个数据集上进行实验,实验结果表明,将知识融合到模型中能够有效提高中文医疗实体识别的效果.     

基于深度学习的远程监督关系抽取方法研究

为更好判定远程监督语句中的实体语义关系,实现对语言处理信息的准确提取,提出基于深度学习的远程监督关系抽取方法.借助远程监督方法,获取关系三元组中已存储的信息参量,再通过待学习数据标注的方式,完成远程监督关系的抽取数据集构建.在此基础上,设计监督执行框架,利用已定义的句子级别特征条件,实现对待抽取标签的学习处理,完成基于...     

基于知识图谱的医疗问答系统研究

随着人工智能技术的不断发展,越来越多的自然语言处理技术应用到医疗行业。如何从海量医疗数据中提炼信息,并根据用户的问题给出针对性较强的回答,是推进医疗智能化的关键问题。文章研究利用BiLstm+CRF模型处理医疗领域问答相关数据,基于图数据库Neo4j构建一个医疗知识图谱,并在此基础上构建一个问答系统,实现医疗知识的自动问答服务。实验结果表明,该系统可以为用户提出的问题查找匹配准确答案并返回给用户。     

基于时空聚类的多源异构时序数据集成方法

针对传统多源异构时序数据集成方法执行和抽取时间较长、筛选准确率较低的问题,设计基于时空聚类算法的多源异构时序数据集成方法。协同处理多源异构时序数据,根据协同处理结果与时空集合标定结果构建时空聚类矩阵,以时空聚类矩阵为基础计算多源异构时序数据集成需求,通过时空聚类算法转换数据,以此进行多源异构时序数据集成。实验结果表明,该文方法的多源异构时序数据执行和抽取时间在20 s以内,筛选准确率高于95%,集成效果更好。     

基于知识图谱技术的电力行业多源异构数据融合研究

文章针对电力行业内部与外部异构系统中存在的数据独立问题,提出了一种基于知识图谱的行业内外部数据融合解决方案。分析了目前文本信息提取以及知识图谱构建的主流技术路线,提出新的文本提取方案和知识图谱构建方案,实现对多源数据的融合与应用。该技术研究在某电力公司进行管理风险识别试点应用,验证了该研究成果的实用性。     

基于深度学习的中文实体关系抽取研究

实体关系抽取能够从文本中提取事实三元组信息,这对于构建大规模的知识图谱是十分重要的。在现有的研究中,通常以先进行实体识别,而后进行关系分类或者进行统一标注的方式来完成这一任务,虽然这些方法能够使关系抽取任务变得更易实现,并且模型的网络框架灵活性更高,但是也存在误差积累和暴露误差等问题,且对于关系抽取中的关系重叠和实体嵌套等重难点问题不能够很好的处理。为了解决上述存在的问题,文章构建一种基于深度学习的中文实体关系联合抽取模型。该模型由基于评分的分类器和特定关系的角标记策略以及分区过滤网络构成,首先通过分区过滤网络,将输入的文本划分成三个分区,实体分区和关系分区以及共享分区,能够确保实体识别任务和关系抽取任务进行更好的双向交互;接着应用特定关系的角标记策略来解码实体信息,最后通过一个基于评分的分类器来输出事实关系三元组。实验表明,提出的方法能够改善传统方法带来的误差积累和交互缺失以及实体冗余等问题,提高了三元组抽取的准确率。