正是因為有獲取和形成知識的能力,人類才可以不斷進步。而知識對于人工智能的重要價值就是在于讓機器具備認知能力,去理解這個世界,理解應(yīng)用的行業(yè)或者領(lǐng)域。知識圖譜的結(jié)構(gòu)類似于人類大腦組織知識的結(jié)構(gòu),有助于機器模擬以人的思維模式和知識結(jié)構(gòu)來進行語言理解、視覺場景解析和決策分析。因此,知識圖譜作為人工智能的支撐基礎(chǔ),是實現(xiàn)真正的類人智能的必經(jīng)之路。近年來,不少企業(yè)愈加重視行業(yè)+知識圖譜。行業(yè)知識圖譜在金融、農(nóng)業(yè)、醫(yī)療、電商等領(lǐng)域已經(jīng)有了很好的應(yīng)用。對于企業(yè)來說,行業(yè)知識圖譜可以幫助行業(yè)人員解答關(guān)于行業(yè)的任務(wù)型需求,輔助各種復(fù)雜的分析應(yīng)用或決策支持,構(gòu)建行業(yè)壁壘。一個行之有效的行業(yè)知識圖譜構(gòu)建系統(tǒng)可以保證知識庫的質(zhì)量與規(guī)模、可擴張性和推理能力。但是不同行業(yè)數(shù)據(jù)模式不同,業(yè)務(wù)需求差異化使得目前沒有統(tǒng)一的行業(yè)知識圖譜構(gòu)建系統(tǒng)。本文針對特定的行業(yè)數(shù)據(jù),但是旨在搭建一個通用型的行業(yè)知識圖譜構(gòu)建系統(tǒng)。首先,本文研究了知識圖譜的相關(guān)技術(shù),包括知識圖譜架構(gòu)、知識表示、知識抽取、知識存儲和基于知識圖譜的問答系統(tǒng)五部分。針對每一部分,詳細介紹了其定義、關(guān)鍵技術(shù)與難點。為本課題算法設(shè)計和實現(xiàn)部分打下理論基礎(chǔ)。其次,本... 

【文章來源】：北京郵電大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１三元組表示??主語－＞謂語－＞賓語的格式能夠使主語通過謂語和任何賓語聯(lián)系起來，其中的??

??鉍??圖２－２?ＴｒａｎｓＥ示意圖??受到該現(xiàn)象的啟發(fā)，Ｂｏｒｄｅｓ等人［７］提出了?ＴｍｎｓＥ模型。如圖２－２所示，對??于三元組（ｈ，ｒ，ｔ），?ＴｒａｎｓＥ將實體＆和尾實體＾之間的平移向量作為關(guān)系ｒ的向量??Ｚｒ，即：??ｌｈ?＋?ｌｒ?＾?ｌｔ?（２－４）??ＴｒａｎｓＥ希望Ｍ?＋?＾和＾越接近越好，因此損失函數(shù)如下：??＝?＼ｌｈ?＋?ｌｒ?—?ｌｔ＼?（２－５）??７??

人工標注的大量的語料庫產(chǎn)生的特征進行訓(xùn)練。Ｇｕｉｌｌａｕｍｅ?Ｌａｍｐｌｅ等人提出了??ＬＳＴＭ－ＣＲＦ?（Ｌｏｎｇ?Ｓｈｏｒｔ－Ｔｅｒｍ?Ｍｅｍｏｒｙ－Ｃｏｎｄｉｔｉｏｎａｌ?Ｒａｎｄｏｍ?Ｆｉｅｌｄ）模型來解決??這個問題［１（）］。圖２－４為模型整體的框架。??圖２－４?ＬＳＴＭ－ＣＲＦ模型結(jié)構(gòu)圖［１Ｗ??該模型為端到端的判別式模型，輸入為單詞，輸出為識別出的實體標簽。圖??２－４中的字嵌入層（ｗｏｒｄ?ｅｍｂｅｄｄｉｎｇ），是按照語句順序，依次輸入每個單詞的??向量表示。雙向的ＬＳＴＭ，正向讀入（圖中的菱形Ｉ），獲得每個單詞及其左面的??上下文信息，反向讀入（圖中的菱形ｒ），獲得單詞及其右面上下文信息，兩個??模型參數(shù)不同。之后，將正向和反向的信息組合起來構(gòu)成某個單詞上下文單詞（圖??中的菱形ｃ），此時的輸出為．．．，ｘｎ），其中＆表示語句中第ｉ個單??詞所包含的上下文信息的向量表示。最頂層的ＣＲＦ，輸入為Ｘ，輸出為Ｙ?＝??（ｙｉ

【參考文獻】：
期刊論文
[1]知識圖譜技術(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. 2016(04)
[2]垂直知識圖譜的構(gòu)建與應(yīng)用研究[J]. 阮彤,王夢婕,王昊奮,胡芳槐.  知識管理論壇. 2016(03)
[3]知識圖譜構(gòu)建技術(shù)綜述[J]. 劉嶠,李楊,段宏,劉瑤,秦志光.  計算機研究與發(fā)展. 2016(03)
[4]知識表示學(xué)習(xí)研究進展[J]. 劉知遠,孫茂松,林衍凱,謝若冰.  計算機研究與發(fā)展. 2016(02)
[5]知識表示方法比較[J]. 劉建煒,燕路峰.  計算機系統(tǒng)應(yīng)用. 2011(03)



本文編號：2903162