结合静态事实和重复历史事实的动态知识图谱推理方法

针对现有的动态知识图谱推理方法容易忽略动态知识图谱中存在着大量静态信息和重复历史事实的问题，提出结合静态事实和重复历史事实的动态知识图谱网络方法.该方法利用动态知识图谱中实体间隐藏的静态联系来构成静态事实，并协助动态知识图谱推理；利用历史事实构建历史词表，在预测未来时对历史词表进行查询；对历史中未发生的事实进行惩罚，提高重复历史事实的预测概率.在2个公开的数据集上进行动态知识图谱推理实验，对比实验时选用目前主流的5个模型作为基线.在实体预测实验中，平均倒数排名(MRR)达到0.489 1和0.530 3,Hits@10达到0.588 7和0.616 5，证明了所提方法的有效性.     

仿真环境中的网络攻击模型设计

阐述了仿真环境中的网络攻击模型的设计,建立了一个网络攻击仿真模型,用以产生网络攻击,以达到摧毁网络的机密性、完整性和可用性的目的;采用知识表达的方法来建立模型,该模型包含具有知识库和推理机的专家系统,通过随时间而变化的量,使模型具有基于仿真时钟的推理能力;在攻击模型的设计中,定义了它的基本状态和状态跃迁函数,说明了模型的行为,以及攻击策略的制定,最佳策略的选择,攻击选择原则等问题。     

基于知识嵌入式预训练语言模型的文本分类方法研究

为解决一般预训练语言表示模型在语义理解和推理过程中存在不足的问题,提出了一种知识嵌入式预训练语言模型,使用知识嵌入和预训练语言表示的统一模型将事实知识集成到增强的语言表示模型中,充分利用知识图谱中包含的丰富的结构化知识事实来增强文本表示,从而提高预训练模型的效果。该模型利用大规模文本语料库和知识图谱进行训练优化,在THUCNews数据集上的文本分类的准确率和召回率分别达到了96.51%和90.36%,优于文本循环神经网络、基于变换器的双向编码器表征、增强语言表示模型的实验结果,验证了经知识图谱优化后的预训练语言模型在文本分类任务上的优越性。     

融合GAT和TransH的中韩跨语言实体对齐方法研究

为研究中韩双语实体自动对齐方法,提出了一种融合图注意力网络(GAT)和基于超平面平移的知识图谱嵌入模型(TransH)的跨语言实体对齐模型.使用中韩实体数据集对模型进行验证表明,该模型的Hits@1、Hits@5和Hits@10在韩文对齐中文时分别达到了49.62%、 80.89%和91.76%, 在中文对齐韩文时分别达到49.79%、 80.74%和91.67%, 且优于传统的基于知识嵌入或图嵌入的对齐方法.因此该模型可为构建中韩对齐知识图谱以及其他语言的对齐知识图谱提供参考.     

基于属性权重更新网络的跨语言实体对齐方法

跨语言知识图谱中属性数量庞大且重复率低导致对齐任务中属性信息难以高效嵌入。针对上述问题,提出了一种基于属性权重更新网络的跨语言实体对齐模型。为了高效地实现属性信息的嵌入,通过一个构造器利用实体嵌入来近似地构造属性的嵌入,避免了属性嵌入的单独训练;基于不同属性对实体对齐贡献不同的事实,采用了一种基于图注意力网络的属性权重更新模块,可以在训练过程中利用注意力得分不断更新每个属性的权重;通过一个属性聚合模块将属性嵌入和属性权重信息聚合到实体嵌入中,强化了实体的嵌入表示,从而提升了实体对齐的效果。提出的模型在3个跨语言数据集的实验结果显示Hits@1评价指标分别为0.751,0.805和0.915,对齐效果均优于目前主流的实体对齐方法。     

知识图谱嵌入中的自适应筛选

针对知识图谱数据类别不平衡与训练难度不同,随机进行训练数据采样可能导致嵌入模型不能快速收敛的问题,提出了一种自适应的筛选训练数据方法。对训练数据按照关系类别进行分组,采样过程中首先根据概率选择关系类别,然后从选定的分组中随机选择一个实例进行训练。根据训练效果对每组实例被选择的概率进行自适应调整。实验结果表明:自适应的分组筛选在链接预测任务上取得了更好的结果,使嵌入模型更快、更好地收敛。     

癫痫病相关论文多模态知识图谱的构建初探

癫痫病相关论文缺乏命名实体识别和关系抽取任务的标注数据,命名实体识别和关系抽取模型无法用常规方法训练。为解决该问题,针对癫痫病相关论文的数据特点,改进了命名实体识别和关系抽取模型,提出利用相近领域的医疗数据和预训练模型构建零资源癫痫病领域命名实体识别和关系抽取模型。评估了现有无监督和半监督模型在癫痫病领域论文数据集上的性能,并针对数据集特征引入域对抗网络和关系判别器,有效地提高了命名实体识别和关系抽取模型的性能。将癫痫患者的脑电特征以视觉模态嵌入知识图谱中,在提高脑电分析可解释性的同时,构建了更加直观的多模态知识图谱。     

基于知识图谱的风电机组诊断系统构建与应用

针对风力发电机故障诊断与维修过程不明确以及历史故障数据记录大量遗留等问题,提出一种以知识图谱的方式构建的风力发电机故障诊断系统。首先,通过改进的命名实体识别模型BERT-BiLSTM-CRF对故障文本进行知识抽取。数据集采用了近10年来的风力发电机故障案例、事故分析等文本数据。实验结果表明：在风力发电机故障领域中,改进的实体识别方法相比于传统模型效果提升了2.54%。其次,对抽取的知识实体进行结构化分析,由于传统故障树在实际故障推理中缺乏目的性,且每个底事件相对于顶事件的重要性不同,提出以故障的特征属性为分支条件引入到故障树推理中,完成故障树定性与定量分析,并结合故障模式影响和危害性分析(FMECA)完善故障领域知识模型;再对知识结构完成本体化建模,使用Protégé开发工具对故障树结构完成了基于六元组概念的本体建模,使构建的本体知识库满足推理的前提条件。最后,通过Neo4j实现知识模型的可视化,并提升了知识数据的读写能力。     

基于多任务学习和知识图谱的面部表情识别

针对面部表情分类的模型中参数较复杂、识别准确率较低的问题,提出了一种基于知识图谱辅助识别的多任务学习算法模型（MLAM）,该模型由基于深度学习的识别模块与知识图谱嵌入模块两部分构成。首先从输入的数据中提取潜在的人脸局部表情特征,通过知识图谱实现局部表情和个体的复杂交互;然后在MLAM 模型中设计一个交叉压缩单元,关联这两个独立模块,自动学习局部表情和实体特征的高级交互,并在这两个任务之间传递交叉知识转移;最后,在FER2013和CK+的数据集上对比了同类算法,实验结果表明,该模型在上述数据集上分别得到了0.69和0.99的识别率,提高了面部表情识别准确率。     

基于知识图谱的电网工程建筑信息模型质量检查方法

利用知识图谱技术改进了建筑信息模型（BIM）的质量审查方法 ,选取电网工程的BIM模型为研究对象,开发了基于知识图谱的BIM模型检查系统,以验证其是否符合电网工程相关规范和标准。以某电气工程项目的 BIM模型为案例,生成了检验报告,结果验证了本文方法的可行性和实用性。该技术为建筑设计与信息技术的深度融合提供了新的方向。     

基于知识资源注册中心的网络协同设计模型

提出了支持协同设计的智力资源单元的发布和发现的生命周期模型，从知识资源的构建、发布、发现和维护管理4个阶段研究了如何利用基于UDDI协议的知识资源注册中心来实现网络协同设计。以涡轮膨胀机主动控制电磁悬浮转子系统的改型设计为实例．实现了基于UDDI协议的知识资源注册中心的网络协同设计。     

基于关系聚合的时序知识图谱表示学习

针对静态知识图表示方法不能对时间进行建模的局限性，从时序图谱实际应用的需求出发，设计了基于关系聚合的时序图谱表示学习方法来描述和推理动态知识图谱的时间信息.与离散的快照时序网络不同，将时间信息视为实体间的链接属性，提出利用时间感知的关系图注意力编码器来学习时序图谱的实体表征.将中心节点的邻域关系和时间戳融入图结构中，然后分配不同的权重，高效地聚合时间知识.在公开的时序知识图谱数据集上运行，结果表明,与传统的时序图谱编码框架相比,面向注意力聚合的时序图谱表示学习方法在补全和对齐任务的性能上都有较强的竞争优势,尤其对高时间敏感度实体更加显著，体现出算法的优越性和强鲁棒性.     

基于知识图谱嵌入与深度学习的药物不良反应预测

识别药物潜在的不良反应,有助于辅助医生进行临床用药决策。针对以往研究的特征高维稀疏、需要为每种不良反应构建独立预测模型且预测精度较低的问题,本文开发一种基于知识图谱嵌入和深度学习的药物不良反应预测模型,能够对实验所覆盖的不良反应进行统一预测。一方面,知识图谱及其嵌入技术能够融合药物之间的关联信息,缓解特征矩阵高维稀疏的不足;另一方面,深度学习的高效训练能力能够提升模型的预测精度。本文使用药物特征数据构建药物不良反应知识图谱;通过分析不同嵌入策略下知识图谱的嵌入效果,选择最佳嵌入策略以获得样本向量;然后构建卷积神经网络模型对不良反应进行预测。结果表明,在DistMult嵌入模型和400维嵌入策略下,卷积神经网络模型预测效果最佳;重复实验的准确率、F₁分数、召回率和曲线下面积的平均值分别为0.887、0.890、0.913和0.957,优于文献报道中的方法。所得预测模型具有较好的预测精度和稳定性,可以为安全用药提供有效参考。     

离散型动态规划模型的知识表示及其IBFS算法研究

针对运筹学模型表示中存在的问题，本文以离散型动态规划模型为研究对象，从解决动态模型的知识表示与基于知识的推理机制入手，通过剖析动态规划问题的决策过程及其状态演变特征，运用人工智能状态空间理论，将动态规划模型的求解转化为状态空间图中最佳路径的搜索，提出了以六元组Ｍ＝（Ｉ，Ｇ，Ｏ，Ｔ，Ｄ，Ｓ）表示离散型动态规划模型的知识表示方法－ＩＧＯＴＤＳ表示法；并引入最优评价函数，研究了基于状态空间图的求解离散型动态规划模型ＩＢＦＳ搜索算法．本文的工作有利于促进并深化运筹学应用的知识化、智能化研究．     

基于EHR的医疗知识图谱研究与应用综述

电子健康记录(EHR)作为一种医疗信息化手段,在数十年的使用过程中储存和积累了越来越多的医疗过程和结果大数据.知识图谱作为一种从海量数据中抽取结构化知识的手段,近年来在多个行业展示了广阔的应用前景.知识图谱的优势在于对海量、异构的数据进行组织,完成知识推理.知识图谱适用于自然语言的分析,有助于在以自然语言形式存在的海量EHR数据中获得宝贵的医疗知识和医疗经验. EHR分析研究的价值主要集中在辅助诊断、辅助治疗和疾病预测.利用大量的EHR数据构建医疗知识图谱,当新的患者数据来临之时,知识图谱可以发挥查询扩展、临床决策支持和疾病预测等作用.本文首先简要介绍了EHR的发展现状,以及现有著名的EHR数据集及其应用成果.其次,在概括介绍知识图谱发展总体现状基础上,分析了知识图谱在医疗领域的发展趋势和热点迁移.然后,对基于EHR的医疗知识图谱研究与应用进展进行了比较全面的总结,包括EHR的信息抽取、数据整合、查询扩展、临床决策支持和疾病预测等.最后,对该领域未来发展方向和面临的挑战作了展望.     

基于知识模型与生长模型的农业智能决策系统开发平台

基于软构件技术以及Web数据库访问技术，构建了应用于网络环境的农业智能决策系统开发平台，该平台由知识库系统、模拟模型系统和智能构件构成，通过将作物生长模型定义为过程性知识，利用系统变量和模型字典较好的实现了推理决策与模拟模型计算的嵌套调用。     

基于本体的网络管理知识模型

基于本体理论研究了网管知识模型, 提出了网管知识模型的框架, 将其划分为基本模型和集成模型两个层次.基本模型包括信息模型、功能模型、网络模型等, 面向网管需求集成基本模型得到集成模型.研究了基于本体代数的知识模型集成和基于本体推理、查询的知识模型处理.设计了基于网管知识模型的网管系统原型, 原型系统实现了知识处理和信息处理的分离, 可定制所支持的网管业务, 并支持知识层综合网管.原型系统证明了网管知识模型的有效性.     

风电机组故障诊断中不确定性信息处理的贝叶斯网络方法

针对风电机组故障信息耦合性、模糊性的不确定性特点,结合贝叶斯网络在处理不确定性问题上的优势,提出了风电机组故障诊断的贝叶斯网络方法.重点研究了该方法的两个关键问题,即风电机组故障诊断的贝叶斯网络建模和贝叶斯网络推理.构建了一种基于事故树分析方法的三层CME贝叶斯网络模型并解析了贝叶斯网络的故障推理过程,通过风电机组齿轮箱的故障诊断实例验证了上述模型的可行性和贝叶斯网络推理的有效性.研究成果对具有相关不确定性问题的机电设备故障诊断有借鉴意义.     

基于知识图谱的查询显示系统的设计与实现

为解决电网客服领域人力成本过高、业务处理受到时空限制的问题,探究基于行业知识图谱的智能客服查询显示系统。根据电网客服领域的业务需求和数据特点,采用半自动化的方式对源数据进行语义标注与关系抽取,建立行业知识图谱。在实现自动问答系统的语义解析环节,提出一种多模式匹配和相似度度量融合的实体识别算法,提高实体识别模块的性能。通过设计100道问题对构建好的智能客服自动问答系统进行测试,最终有93道问题被正确处理。该系统的实现过程为构建基于行业知识图谱的智能问答系统提供参考。     

基于本体语言OWL的电网领域知识表示方法

知识表示的方法研究是知识工程中最基本的问题,针对目前在电网领域知识表示中存在的知识表示隐晦、推理效率低、可视化水平差以及动态知识协同处理困难等弊端,提出基于网络本体语言OWL电网领域知识表示方法,给出了基于OWL的电网知识表示实例,该方法可准确直观地描述电网领域的相关知识,有利于电网领域知识提取、共享和重用,使电网运行中“数据海量,知识匮乏”的状况得到解决,为电网知识的可视化研究奠定了坚实基础,为电网安全、高效运行提供支持.