隨著物聯(lián)網(wǎng)、數(shù)字化技術(shù)、人工智能的蓬勃發(fā)展,知識(shí)融合與推理技術(shù)在知識(shí)工程應(yīng)用中也越來(lái)越重要。在知識(shí)處理過(guò)程中,較高的詞向量維度導(dǎo)致運(yùn)算成本較高;在知識(shí)建模過(guò)程中,提高效率的多人協(xié)同建模使得模型碎片化嚴(yán)重,缺乏有效的融合方法;在對(duì)知識(shí)推理過(guò)程中,基于構(gòu)建的本體模型準(zhǔn)確根據(jù)信息展開(kāi)知識(shí)推理,提供準(zhǔn)確的知識(shí)結(jié)果是知識(shí)應(yīng)用任務(wù)中的重要環(huán)節(jié)。針對(duì)以上所述問(wèn)題,本論文開(kāi)展如下研究工作:為提高算法運(yùn)算效率、降低訓(xùn)練成本、保證下游任務(wù)高效進(jìn)行,本文研究制造領(lǐng)域知識(shí)語(yǔ)義詞向量降維方法�；谂廊〉闹圃祛I(lǐng)域知識(shí)語(yǔ)料,通過(guò)對(duì)詞向量的準(zhǔn)確性與訓(xùn)練成本進(jìn)行分析研究對(duì)詞向量進(jìn)行二次降維的必要性;采用改進(jìn)的棧式自編碼器以及PCA兩種降維方式對(duì)高維向量降維,利用對(duì)同一詞語(yǔ)相同維度的語(yǔ)義相關(guān)性與訓(xùn)練成本的對(duì)比實(shí)驗(yàn),證明該方法對(duì)詞向量降維的有效性與合理性。為解決多人協(xié)同建模過(guò)程中本體模型的碎片化、歧義化以及冗余程度較高的問(wèn)題,本文研究制造知識(shí)本體全局相似度及其融合方法。構(gòu)建實(shí)體相似度模型,從實(shí)體角度研究節(jié)點(diǎn)間的相似關(guān)系;提出最大路徑子圖模型,從路徑結(jié)構(gòu)角度研究碎片本體基于路徑結(jié)構(gòu)方面的相似;基于上述兩個(gè)模型定義碎片本體全局... 

【文章來(lái)源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

知識(shí)推送技術(shù)路線圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-13-圖2-6所示，同一詞匯的兩種語(yǔ)言表現(xiàn)形式在向量空間中相對(duì)位置接近。利用詞向量這個(gè)線性計(jì)算的特征可以通過(guò)向量的計(jì)算來(lái)對(duì)詞語(yǔ)的的含義信息進(jìn)行比較。圖2-5詞語(yǔ)在空間中的展示圖2-6語(yǔ)義關(guān)系展示2.3.1基于Word2Vec詞向量訓(xùn)練過(guò)程分析采用連續(xù)詞袋模型（CBOW），將其在Word2Vec工具進(jìn)行訓(xùn)練的執(zhí)行，介紹微觀角度的詞向量究竟在網(wǎng)絡(luò)中歷經(jīng)如何的計(jì)算過(guò)程得到向量結(jié)果。預(yù)先將獲取到的中文語(yǔ)料庫(kù)進(jìn)行停用詞去除、分詞等處理，依次選取語(yǔ)料庫(kù)中的詞匯作為目標(biāo)詞匯，將所確定的上下文詞匯作為神經(jīng)網(wǎng)絡(luò)的輸入。為清晰描述訓(xùn)練過(guò)程，簡(jiǎn)單組建語(yǔ)料庫(kù)由四個(gè)詞語(yǔ)組成：{數(shù)控機(jī)床潤(rùn)滑裝置}為例，以“機(jī)床”為中心詞，設(shè)置窗口大小window_size為2。換言之，此訓(xùn)練過(guò)程為：根據(jù)語(yǔ)料庫(kù)中的上下詞“數(shù)控”、“潤(rùn)滑”、“裝置”來(lái)預(yù)測(cè)訓(xùn)練目標(biāo)，即中心詞“機(jī)床”。詳細(xì)訓(xùn)練過(guò)程如下所示：（1）預(yù)處理數(shù)據(jù)。將所有后續(xù)需要展開(kāi)訓(xùn)練的詞匯以獨(dú)熱式進(jìn)行表示；該過(guò)程實(shí)質(zhì)為所訓(xùn)練的詞進(jìn)行逐一編號(hào)處理。如表2-1所示，將所有詞語(yǔ)表示為獨(dú)熱式編碼；如圖2-7所示，將獨(dú)熱式表示的詞語(yǔ)作為神經(jīng)網(wǎng)路的輸入。

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文-13-圖2-6所示，同一詞匯的兩種語(yǔ)言表現(xiàn)形式在向量空間中相對(duì)位置接近。利用詞向量這個(gè)線性計(jì)算的特征可以通過(guò)向量的計(jì)算來(lái)對(duì)詞語(yǔ)的的含義信息進(jìn)行比較。圖2-5詞語(yǔ)在空間中的展示圖2-6語(yǔ)義關(guān)系展示2.3.1基于Word2Vec詞向量訓(xùn)練過(guò)程分析采用連續(xù)詞袋模型（CBOW），將其在Word2Vec工具進(jìn)行訓(xùn)練的執(zhí)行，介紹微觀角度的詞向量究竟在網(wǎng)絡(luò)中歷經(jīng)如何的計(jì)算過(guò)程得到向量結(jié)果。預(yù)先將獲取到的中文語(yǔ)料庫(kù)進(jìn)行停用詞去除、分詞等處理，依次選取語(yǔ)料庫(kù)中的詞匯作為目標(biāo)詞匯，將所確定的上下文詞匯作為神經(jīng)網(wǎng)絡(luò)的輸入。為清晰描述訓(xùn)練過(guò)程，簡(jiǎn)單組建語(yǔ)料庫(kù)由四個(gè)詞語(yǔ)組成：{數(shù)控機(jī)床潤(rùn)滑裝置}為例，以“機(jī)床”為中心詞，設(shè)置窗口大小window_size為2。換言之，此訓(xùn)練過(guò)程為：根據(jù)語(yǔ)料庫(kù)中的上下詞“數(shù)控”、“潤(rùn)滑”、“裝置”來(lái)預(yù)測(cè)訓(xùn)練目標(biāo)，即中心詞“機(jī)床”。詳細(xì)訓(xùn)練過(guò)程如下所示：（1）預(yù)處理數(shù)據(jù)。將所有后續(xù)需要展開(kāi)訓(xùn)練的詞匯以獨(dú)熱式進(jìn)行表示；該過(guò)程實(shí)質(zhì)為所訓(xùn)練的詞進(jìn)行逐一編號(hào)處理。如表2-1所示，將所有詞語(yǔ)表示為獨(dú)熱式編碼；如圖2-7所示，將獨(dú)熱式表示的詞語(yǔ)作為神經(jīng)網(wǎng)路的輸入。

【參考文獻(xiàn)】：
期刊論文
[1]飛機(jī)結(jié)構(gòu)件智能生產(chǎn)線管理系統(tǒng)研究[J]. 劉葳,陳云雷,池力.  中國(guó)設(shè)備工程. 2020(11)
[2]基于Protégé的交通地理本體構(gòu)建方法[J]. 馬苗苗,陳春輝.  北京測(cè)繪. 2019(12)
[3]基于分布式內(nèi)存計(jì)算的三元N-gram算法的并行化研究[J]. 龔永罡,田潤(rùn)琳,廉小親,吳萌.  計(jì)算機(jī)產(chǎn)品與流通. 2019(03)
[4]詞向量發(fā)展綜述[J]. 嚴(yán)紅.  現(xiàn)代計(jì)算機(jī)(專(zhuān)業(yè)版). 2019(08)
[5]基于詞向量技術(shù)與主題詞特征的微博立場(chǎng)檢測(cè)[J]. 鄭海洋,高俊波,邱杰,焦鳳.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2018(09)
[6]基于詞向量特征擴(kuò)展的中文短文本分類(lèi)研究[J]. 雷朔,劉旭敏,徐維祥.  計(jì)算機(jī)應(yīng)用與軟件. 2018(08)
[7]基于OWL的本體建模與推理研究[J]. 徐享忠,楊建東,湯再江.  裝甲兵工程學(xué)院學(xué)報(bào). 2017(05)
[8]網(wǎng)絡(luò)大數(shù)據(jù)中的知識(shí)融合框架研究[J]. 周利琴,范昊,潘建鵬.  情報(bào)雜志. 2018(01)
[9]大數(shù)據(jù)環(huán)境下知識(shí)融合的關(guān)鍵問(wèn)題研究綜述[J]. 唐曉波,朱娟.  圖書(shū)館雜志. 2017(07)
[10]深度學(xué)習(xí)降維過(guò)程中的信息損失度量研究[J]. 石志國(guó),楊志勇.  小型微型計(jì)算機(jī)系統(tǒng). 2017(07)

碩士論文
[1]基于模糊本體融合與推理的知識(shí)發(fā)現(xiàn)研究[D]. 張良韜.武漢大學(xué) 2019
[2]基于GloVe的文本聚類(lèi)研究與改進(jìn)[D]. 徐露.華南理工大學(xué) 2019
[3]基于中心點(diǎn)選取與深度表示學(xué)習(xí)的文本聚類(lèi)研究[D]. 王彬宇.戰(zhàn)略支援部隊(duì)信息工程大學(xué) 2018
[4]基于word2vec和卷積神經(jīng)網(wǎng)絡(luò)的文本分類(lèi)研究[D]. 李林.西南大學(xué) 2018
[5]基于神經(jīng)網(wǎng)絡(luò)和決策樹(shù)的文本分類(lèi)及其應(yīng)用研究[D]. 雷飛.電子科技大學(xué) 2018
[6]使用本體推理技術(shù)獲取ER模型[D]. 許曉星.吉林大學(xué) 2017
[7]基于word2vec詞向量的文本分類(lèi)研究[D]. 朱磊.西南大學(xué) 2017
[8]本體推理中組合推理機(jī)制的研究[D]. 侯天祝.西南交通大學(xué) 2016
[9]文本分類(lèi)停用詞處理和特征選擇技術(shù)研究[D]. 馬治濤.西安電子科技大學(xué) 2014
[10]基于不一致本體非修正的知識(shí)推理方法[D]. 王省思.大連海事大學(xué) 2014



本文編號(hào)：3591238