隨著信息技術的進步,特別是人工智能技術的發(fā)展,人們在萬維網上發(fā)布了包含大規(guī)模數(shù)據(jù)的知識圖譜,為知識互聯(lián)、為智能問答和語義搜索等諸多人工智能應用提供支撐。知識圖譜從邏輯上分成數(shù)據(jù)層和模式層,其中數(shù)據(jù)層主要描述現(xiàn)實世界的事實性知識,而模式層主要由公理組成,目的是管理和組織數(shù)據(jù)層知識。模式層知識一般也被稱為本體知識。由于百科類網站的半結構化數(shù)據(jù)中缺少模式信息,導致公開的知識圖譜中本體知識缺乏。本體的不完整將導致知識圖譜的一系列應用無法實施。例如,對于缺乏本體的知識圖譜,邏輯推理機無法自動化檢測知識圖譜中的邏輯錯誤,而且也無法推理得到知識圖譜中隱含的事實。已有構建知識圖譜本體知識的工作主要是利用統(tǒng)計的方法從事實性知識中獲取候選公理,這類方法基于封閉世界假設,將不在知識圖譜中的數(shù)據(jù)作為負例。這樣獲得的負例存在大量的噪聲,從而較大地影響到構建本體的質量。因此,本文提出開放世界假設下構建本體的解決方案,主要分為三個部分:知識圖譜數(shù)據(jù)層事實的補全,基于關聯(lián)規(guī)則挖掘的的本體構建和本體補全。本文首先對知識圖譜的數(shù)據(jù)層進行知識補全,從而減少對公理置信度的有偏估計。目前,知識圖譜表示學習模型在知識圖譜數(shù)據(jù)層事... 

【文章來源】：東南大學江蘇省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：104 頁

【學位級別】：博士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景
    1.2 研究現(xiàn)狀
        1.2.1 本體構建
        1.2.2 知識圖譜表示學習
        1.2.3 研究現(xiàn)狀總結
    1.3 選題依據(jù)
    1.4 本文工作
        1.4.1 研究內容
        1.4.2 主要貢獻
    1.5 論文結構
第二章 背景知識
    2.1 知識圖譜概述
    2.2 術語定義
        2.2.1 本體
        2.2.2 知識圖譜表示學習
        2.2.3 三元組上下文
        2.2.4 關聯(lián)規(guī)則挖掘
        2.2.5 類型推斷
    2.3 評測指標
    2.4 本章小結
第三章 基于三元組上下文的知識圖譜事實性知識補全
    3.1 概述
    3.2 方法設計
        3.2.1 TCE模型
        3.2.2 訓練TCE
        3.2.3 TCE的訓練算法及復雜度分析
    3.3 實驗分析
        3.3.1 數(shù)據(jù)集和參數(shù)設置
        3.3.2 實現(xiàn)細節(jié)
        3.3.3 鏈接預測
        3.3.4 鏈接預測結果與分析
    3.4 相關工作
        3.4.1 基于語義匹配的知識圖譜表示學習方法
        3.4.2 基于轉移距離的知識圖譜表示學習方法
        3.4.3 引入額外信息的表示學習方法
        3.4.4 引入文本的知識圖譜表示學習方法
        3.4.5 引入其他信息的知識圖譜表示學習方法
    3.5 本章小結
第四章 基于關聯(lián)規(guī)則挖掘的本體構建方法
    4.1 概述
    4.2 方法設計
        4.2.1 詞匯獲取
        4.2.2 類型推斷
        4.2.3 事務表構建
        4.2.4 公理生成
        4.2.5 SIFS的關聯(lián)規(guī)則挖掘算法
        4.2.6 規(guī)則挖掘算法
    4.3 實驗分析
        4.3.1 數(shù)據(jù)集
        4.3.2 參數(shù)設置
        4.3.3 對比方法
        4.3.4 實驗結果
        4.3.5 SIFS-S對比SIFS-P
        4.3.6 SIFS-P對比Gold Miner
        4.3.7 SIFS-P對比Bel Net+
        4.3.8 通過挖掘得到的公理檢查不一致
        4.3.9 實驗結果總結
    4.4 相關工作
    4.5 本章小結
第五章 基于雙語義空間的本體補全方法 #
    5.1 概述
    5.2 方法設計
        5.2.1 得分函數(shù)
        5.2.2 訓練模型
    5.3 實驗分析
        5.3.1 數(shù)據(jù)集
        5.3.2 實現(xiàn)細節(jié)
        5.3.3 鏈接預測
        5.3.4 傳遞性和對稱性
        5.3.5 案例研究
        5.3.6 在開放世界假設下本體構建方法中各個步驟分析
    5.4 相關工作
    5.5 本章小結
第六章 總結與展望
    6.1 論文總結
    6.2 工作展望
參考文獻
作者簡介
致謝



本文編號：3241471