语境和语言理解

本文对语言理解和语境的关系进行了讨论，并引进了语义逼近和系统语境等概念。     

知识驱动的多模态语义理解研究综述

基于深度学习模型的多模态学习方法已在静态、可控等简单场景下取得较优的语义理解性能,但在动态、开放等复杂场景下的泛化性仍然较低.近期已有不少研究工作尝试将类人知识引入多模态语义理解方法中,并取得不错效果.为了更深入了解当前知识驱动的多模态语义理解研究进展,文中在对相关方法进行系统调研与分析的基础上,归纳总结关系型和对齐型这两类主要的多模态知识表示框架.然后选择多个代表性应用进行具体介绍,包括图文匹配、目标检测、语义分割、视觉-语言导航等.此外,文中总结当前相关方法的优缺点并展望未来可能的发展趋势.     

利用知识强化语言模型的口语理解方法

基于预训练的语言模型在口语理解（SLU）任务中具有优异的性能表现。然而,与人类理解语言的方式相比,单纯的语言模型只能建立文本层级的上下文关联,缺少丰富的外部知识来支持其完成更为复杂的推理。提出一种针对SLU任务的基于Transformer的双向编码器表示（BERT）的联合模型。引入单词级别的意图特征并使用注意力机制为BERT融合外部知识。此外,由于SLU包含意图检测和槽填充2个相互关联的子任务,模型通过联合训练捕捉2个子任务间的关联性,充分运用这种关联性增强外部知识对于SLU任务的性能提升效果,并将外部知识转化为可用于特定子任务的特征信息。在ATIS和Snips 2个公开数据集上的实验结果表明,该模型句子级别的语义准确率分别为89.1%和93.3%,与BERT模型相比,分别提升了0.9和0.4个百分点,能够有效利用外部知识提升自身性能,在SLU任务中拥有比BERT更为优秀的性能表现。     

基于语义句模的语义理解方法研究

针对目前情境信息丰富问题语义理解的困难,提出了一种基于语义句模的语义理解方法.该方法借鉴汉语言学中句模的研究成果,以及问题的分类,构建语义句模,将语义信息蕴含在句模中,利用文本中能够穷举的信息,为千变万化的情境信息赋予相应的语义.实验构建了基于自然语言处理工具Gate的语义句模jape规则库,以收集的102道四则运算应用题为例进行语义理解,实验结果为完全理解的题目为82.4%,部分理解为17.6%,完全不理解的0%.得出的实验结论是,该方法能够较好地实现情境信息丰富问题的语义理解.     

未来能理解人类语言的智能网络——语义网

文章介绍了语义网的定义、作用和与传统万维网的区别,论述了语义网如何基于可扩展标记语言XML和资源描述框架RDF来实现让计算机能够自动识别和处理网上信息,并对语义网通过本体层来表示出信息的含义及各种信息问的语义联系及本体的构建做了一定的探讨。     

基于语义层次建模的跨语言知识单元迁移方法

为解决领域小语种知识匮乏和不完备的问题,更好地进行网络空间内容治理,提出一种基于语义层次建模的跨语言知识单元迁移方法(SHACUT),知识模型借助多语言丰富知识库将知识图谱嵌入极坐标系,显式体现不同知识的语义层次结构,迁移模型借助对齐种子库对不同语言向量空间进行线性转换及置信度计算,实现对图谱中知识单元对齐和迁移。分别在公开通用语言数据集和领域小语种数据集上进行了跨语言知识单元迁移的仿真验证,实验表明SHACUT不仅能够对公开通用语言数据集进行有效的跨语言迁移,也在领域小语种数据集上取得不错的效果,相比baseline能够更好地对知识图谱语义层次进行建模,实现跨语言知识单元迁移。     

基于扩展语义网的知识资源组织技术研究

采用知识点的方式组织知识资源,有利于知识的获取、分享、分配和存取.但是传统的树型结构对知识的整体关系描述能力不足,不利于分布式环境下对知识资源的查找和定位.语义网是一种可以详细描述本体间复杂关系并具有天然分布式特性的技术.然而一般的语义网本身不是按照知识点的方式进行组建.本文对语义网进行扩展,使其适用于描述基于知识点组织的知识资源.通过应用案例,按照知识点进行扩展的语义网可以有效地描述知识资源间的相互关系,便于知识的理解和利用,并且对知识的查找和定位也变得更加方便.     

医疗健康知识挖掘中的语义资源、数据集和工具

医疗健康知识挖掘在人工智能和大数据时代受到了学界的极大关注,目前已经成为信息抽取和文本挖掘中的重要研究方向.在基于深度学习的实体识别、实体关系抽取、问答系统以及知识图谱构建研究中,各类语义资源、数据集和工具已经成为开展医疗健康知识挖掘的重要保障.该文首先对医疗健康知识挖掘中需要使用的UMLS、MeSH和SNOMED C...     

语言熵理论与应用模型：英语语义辅助理解工具设计基础

Adapting the needs for english education of China, by the concept of Shannon's information entropy, this paper proposes the theory of language entropy and its application model: fish-eye driver model. This work develops initial basis for computer-aided English semantic understand. The paper also discusses three complex problems that need deeper research.     

知识图谱中的语义推理算法

为了提高查询推理系统对高度动态和迅速扩张的知识图谱的适应性,向用户返回更加高效、实时、准确的结果,在对目前流行的知识图谱推理算法对比研究的基础上,提出一种基于语义张量的推理算法。通过筛选简化2个公开的网络规模的知识图谱,利用该算法进行训练测试。实验结果表明,该算法可提升效率,节省内存,提高推理精确度,能够适应高度动态化和不断演变的知识图谱数据信息,提高搜索引擎的智能化程度。     

信息抽取的语义知识资源研究

本文讨论支持信息抽取的语义资源的建设问题, 举例说明了信息抽取至少需要三种层面的语义知识:(i)宏观的话语篇章知识, 籍此可以约束信息抽取的匹配模板的类型, 预测关键性的信息项目在文本中的分布位置；(ii)中观的论元结构知识, 籍此可以建立动词的论元成分跟事件模板的传递与继承关系, 帮助确定代词或空语类跟其先行语的回指关系, 进而确定其语义所指；(iii)微观的逻辑结构知识, 籍此可以确定否定词、量化词、模态词等逻辑算子跟其所约束的成分之间的逻辑关系（比如, 哪些成分处于否定的辖城之中, 其中哪个成分是否定的焦点, 在哪些语法条件下否定词是冗余的, 等等）。最后, 指出研究这三种语义知识所可利用的几种理论和方法。     

初等数学应用题题意理解中的常识库系统构建

类人计算领域, 题意的机器理解是数学应用题自动求解的难点. 常识性知识的缺失直接影响到题意理解的准确性. 本研究以常识为研究对象, 收集了历年初等数学古典概型的典型案例, 分析了古典概型类应用题的常识特征, 并进行了常识类型划分; 设计了XML结构存储常识性知识, 构建常识库系统实现古典概型常识的分类、表征及存储, 辅助计算机进行题意理解. 通过典型案例的应用, 其结果显示本研究构建的常识库对古典概型应用题的题意正确理解是十分有帮助的.     

跨模态视觉问答与推理研究进展

随着社交媒体和人机交互技术的快速发展,视频、图像以及文本等多模态数据在互联网中呈爆炸式增长,因此多模态智能研究受到关注。其中,视觉问答与推理任务是跨模态智能研究的一个重要组成部分,也是人类实现人工智能的重要基础,已成功应用于人机交互、智能医疗以及无人驾驶等领域。本文对视觉问答与推理的相关算法进行了全面概括和归类分析。首先,介绍了视觉问答与推理的定义,并简述了当前该任务面临的挑战;其次,从基于注意力机制、基于图网络、基于预训练、基于外部知识库和基于可解释推理机制5个方面对现有方法进行总结和归纳;然后,全面介绍了视觉问答与推理常用公开数据集,并对相关数据集上的已有算法进行详细分析;最后,对视觉问答与推理任务的未来方向进行了展望。     

语义web中以描述逻辑为本体语言的推理

语义Web是worldwideweb的发展方向,它的实现能有效地提高互联网的智能化程度,进而提高其使用效率。描述逻辑作为语义Web的一个逻辑基础,成为其研究和开发的重要内容。该文讨论了语义Web中以描述逻辑为本体语言的推理方法,并对其应用作了简要的分析。     

基于领域本体的语义查询推理系统

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。      

利用外部知识辅助和多步推理的选择题型机器阅读理解模型

选择题型机器阅读理解的答案候选项往往不是直接从文章中抽取的文本片段,而是对文章内容中相关片段的归纳总结、文本改写或知识推理,因此选择题型机器阅读理解的问题通常需要从给定的文本中甚至需要利用外部知识辅助进行答案推理.目前选择题型机器阅读理解模型大多数方法是采用深度学习方法,利用注意力机制对文章、问题和候选项这三者的信息进行细致交互,从而得到融合三者信息的表示进而用于答案的预测.这种方式只能利用给定的文本进行回答,缺乏融入外部知识辅助,因而无法处理需外部知识辅助推理的问题.为了解决需外部知识辅助推理的问题,本文提出了一个采用外部知识辅助多步推理的选择题型机器阅读理解模型,该模型首先利用注意力机制对文章、问题和候选项及与这三者相关的外部知识进行信息交互建模,然后采用多步推理机制对信息交互建模结果进行多步推理并预测答案.本文在2018年国际语义测评竞赛（SemEval）中任务11的数据集MCScript上进行对比实验,实验结果表明本文提出的方法有助于提高需要外部知识辅助的选择题型问题的准确率.     

基于改进多嵌入空间的实时语义数据流推理

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。     

基于生成词库论和论元结构理论的语义知识体系研究

该文讨论如何构造合适的汉语语义描写体系并建设相应的语义知识库,从而为文本语义的计算机自动分析提供可靠的资源。文章提出的技术路线是 在生成词库论和论元结构理论的指导下,分别描写名词的物性结构和动词、形容词的论元结构(包括物性角色或论元角色集合及其句法配置格式集合),标定名词、动词和形容词的情感评价色彩,揭示相关名词、动词和形容词的物性角色和论元角色之间的关联和推导关系,从而形成比较完整的关于名词、动词和形容词的实体指称、概念关系和情感评价等多层面的语义知识。最后,还展示了这种多层面的语义知识在语义自动计算中的运用案例。     

范例推理中的知识发现技术

范例推理中有许多相关的知识 ,相应地有知识获取过程 ,其中也存在一定程度的知识获取瓶颈问题 .本文着重探讨在范例推理系统中引入一系列可以使用的知识发现技术 ,以期提高范例推理系统的知识获取的自动化程度 ;本文针对提出的两类算法 ,进行了实验与讨论