發(fā)布時(shí)間：2021-10-08 15:11

　　隨著互聯(lián)網(wǎng)的普及與發(fā)展,數(shù)據(jù)量呈指數(shù)型爆炸式增長(zhǎng),如何管理和應(yīng)用如此海量的數(shù)據(jù)成為一大難題。知識(shí)圖譜的出現(xiàn)為互聯(lián)網(wǎng)數(shù)據(jù)提供了一種新的管理方式,人們從匹配式檢索過渡到智能化問答式檢索,挖掘了海量數(shù)據(jù)的潛在價(jià)值,為智能化揭開了序幕。隨著知識(shí)圖譜概念的深入與發(fā)展,各家公司都開發(fā)了自己的知識(shí)圖譜,而當(dāng)前的知識(shí)圖譜存在的最大問題便是知識(shí)的缺失,知識(shí)推理正是解決該問題的關(guān)鍵技術(shù),以往的知識(shí)推理方法都有一定的局限性:模型復(fù)雜、可解釋性差、效率低。經(jīng)典的翻譯模型所使用的信息僅包括實(shí)體三元組,缺失知識(shí)圖譜中的路徑、實(shí)體類別等信息,已不在適用于結(jié)構(gòu)逐漸復(fù)雜的知識(shí)圖譜。本文的重點(diǎn)在于將知識(shí)圖譜中的多種信息融合運(yùn)用到知識(shí)推理中。知識(shí)推理的重點(diǎn)是對(duì)知識(shí)圖譜的補(bǔ)全,知識(shí)圖譜的組成基礎(chǔ)是實(shí)體三元組,因此本文從鏈接預(yù)測(cè)和實(shí)體分類兩個(gè)任務(wù)分別進(jìn)行研究。對(duì)于鏈接預(yù)測(cè)任務(wù),在三元組的基礎(chǔ)上引入路徑信息和實(shí)體描述信息,分別增強(qiáng)模型對(duì)路徑關(guān)系的提取能力以及模型對(duì)于實(shí)體類型的區(qū)分能力。對(duì)于隨機(jī)游走產(chǎn)生的龐大路徑集合,對(duì)該路徑進(jìn)行聚合,大大減少路徑的數(shù)量,減少了算法的開銷,一定程度上提高了路徑預(yù)測(cè)的準(zhǔn)確率。對(duì)于實(shí)體分類任務(wù),與命名... 

【文章來源】：武漢郵電科學(xué)研究院湖北省

【文章頁(yè)數(shù)】：62 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
        1.1.1 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的主要工作
    1.4 論文的組織結(jié)構(gòu)
2 相關(guān)技術(shù)
    2.1 知識(shí)圖譜技術(shù)
        2.1.1 表示學(xué)習(xí)方法
        2.1.2 知識(shí)推理模型
    2.2 知識(shí)推理研究方法
        2.2.1 命名實(shí)體識(shí)別
        2.2.2 隨機(jī)排序算法
    2.3 神經(jīng)網(wǎng)絡(luò)模型
        2.3.1 循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)
        2.3.2 圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network)
    2.4 本章小結(jié)
3 基于融合信息的鏈接預(yù)測(cè)研究
    3.1 引言
    3.2 知識(shí)圖譜表示
        3.2.1 知識(shí)圖譜三元組
        3.2.2 描述性信息向量化
        3.2.3 路徑信息
        3.2.4 反例構(gòu)建及損失函數(shù)
    3.3 路徑發(fā)現(xiàn)
        3.3.1 Path Rank算法
        3.3.2 路徑聚合
    3.4 融合路徑信息的鏈接預(yù)測(cè)算法
        3.4.1 模型簡(jiǎn)介
        3.4.2 關(guān)系推理層
    3.5 基于融合信息的鏈接預(yù)測(cè)實(shí)驗(yàn)
        3.5.1 鏈接預(yù)測(cè)實(shí)驗(yàn)參數(shù)設(shè)計(jì)
        3.5.2 鏈接預(yù)測(cè)實(shí)驗(yàn)評(píng)測(cè)標(biāo)準(zhǔn)
        3.5.3 鏈接預(yù)測(cè)實(shí)驗(yàn)數(shù)據(jù)集
        3.5.4 鏈接預(yù)測(cè)實(shí)驗(yàn)結(jié)果與分析
    3.6 小結(jié)
4 基于圖卷積神經(jīng)網(wǎng)絡(luò)的實(shí)體分類研究
    4.1 引言
    4.2 形式化描述
    4.3 特征選擇
        4.2.1 節(jié)點(diǎn)特征
        4.2.2 圖結(jié)構(gòu)信息
    4.4 特征融合
    4.5 圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network)
        4.5.1 圖卷積神經(jīng)網(wǎng)絡(luò)
        4.5.2 圖卷積層
    4.6 實(shí)體節(jié)點(diǎn)分類
    4.7 基于圖卷積神經(jīng)網(wǎng)絡(luò)實(shí)體分類實(shí)驗(yàn)
        4.7.1 實(shí)體分類實(shí)驗(yàn)參數(shù)設(shè)計(jì)
        4.7.2 實(shí)體分類實(shí)驗(yàn)評(píng)測(cè)標(biāo)準(zhǔn)
        4.7.3 實(shí)體分類實(shí)驗(yàn)數(shù)據(jù)集簡(jiǎn)介
        4.7.4 實(shí)體分類實(shí)驗(yàn)結(jié)果與分析
    4.8 小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄1 攻讀碩士學(xué)位期間參與的項(xiàng)目和發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于雙向長(zhǎng)短時(shí)記憶單元和卷積神經(jīng)網(wǎng)絡(luò)的多語種文本分類方法[J]. 孟先艷,崔榮一,趙亞慧,方明洙.  計(jì)算機(jī)應(yīng)用研究. 2020(09)
[2]基于多級(jí)關(guān)系路徑語義組合的關(guān)系推理算法[J]. 陳恒,韓雨婷,李冠宇,王京徽.  計(jì)算機(jī)工程. 2020(05)
[3]基于神經(jīng)網(wǎng)絡(luò)的知識(shí)推理研究綜述[J]. 張仲偉,曹雷,陳希亮,寇大磊,宋天挺.  計(jì)算機(jī)工程與應(yīng)用. 2019(12)
[4]知識(shí)圖譜的發(fā)展與構(gòu)建[J]. 李濤,王次臣,李華康.  南京理工大學(xué)學(xué)報(bào). 2017(01)
[5]知識(shí)圖譜研究進(jìn)展[J]. 漆桂林,高桓,吳天星.  情報(bào)工程. 2017(01)
[6]知識(shí)圖譜技術(shù)綜述[J]. 徐增林,盛泳潘,賀麗榮,王雅芳.  電子科技大學(xué)學(xué)報(bào). 2016(04)
[7]知識(shí)圖譜構(gòu)建技術(shù)綜述[J]. 劉嶠,李楊,段宏,劉瑤,秦志光.  計(jì)算機(jī)研究與發(fā)展. 2016(03)
[8]知識(shí)表示學(xué)習(xí)研究進(jìn)展[J]. 劉知遠(yuǎn),孫茂松,林衍凱,謝若冰.  計(jì)算機(jī)研究與發(fā)展. 2016(02)
[9]基于規(guī)則推理的語義檢索若干關(guān)鍵技術(shù)研究[J]. 馬森,趙文,袁崇義,張世琨,王立福.  電子學(xué)報(bào). 2013(05)

碩士論文
[1]融合結(jié)構(gòu)和語義信息的知識(shí)圖譜補(bǔ)全算法研究[D]. 唐慧琳.北京郵電大學(xué) 2017



本文編號(hào)：3424415