Building a user model implicitly from a cooperative advisory dialog

This paper reviews existing methods for building user models to support adaptive, interactive systems, identifies sigificant problems with these approaches, and describes a new method for implicitly acquiring user models from an ongoing user-system dialog. Existing explicit user model acquisition methods, such as user edited models or model building dialogs put additional burden on the user and introduce artificial model acquisition dialogs. Hand coding stereotypes, another explicit acquisition method, is a tedious and error-prone process. On the other hand, implicit acquisition techniques such as computing presuppositions or entailments either draw too few inferences to be generally useful, or too many to be trusted.In contrast, this paper describes GUMAC, a General User Model Acquisition Component that uses heuristic rules to make default inferences about users' beliefs from their interaction with an advisory expert system. These rules are based on features of human action and conversation that constrain people's behavior and establish expectations about their knowledge. The application of these rules is illustrated with two examples of extended dialogs between users and an investment advisory system. During the course of these conversations, GUMAC is able to acquire an extensive model of the users' beliefs about the aspects of the domain considered in the dialog. These models, in turn, provide the sort of information needed by an explanation generator to tailor explanations the advisory system gives to its users.     

A genetic algorithm for the optimisation of assembly sequences

This paper describes a Genetic Algorithm (GA) designed to optimise the Assembly Sequence Planning Problem (ASPP), an extremely diverse, large scale and highly constrained combinatorial problem. The modelling of the ASPP problem, which has to be able to encode any industrial-size product with realistic constraints, and the GA have been designed to accommodate any type of assembly plan and component. A number of specific modelling issues necessary for understanding the manner in which the algorithm works and how it relates to real-life problems, are succinctly presented, as they have to be taken into account/adapted/solved prior to Solving and Optimising (S/O) the problem. The GA has a classical structure but modified genetic operators, to avoid the combinatorial explosion. It works only with feasible assembly sequences and has the ability to search the entire solution space of full-scale, unabridged problems of industrial size. A case study illustrates the application of the proposed GA for a 25-components product.     

Heterogeneous object modeling: A review

A review on the recent development in heterogeneous object modeling is provided in this paper. General problems and prevalent solutions to the modeling of heterogeneous objects are investigated. Vigorous heterogeneous object representations are roughly classified into three major categories: evaluated models, unevaluated models and composite models. We reveal their similarities and study their strengths and weaknesses in terms of the representational capacities, intuitiveness, exactness, compactness, efficiency and other criteria. Different design paradigms are briefly reviewed to provide an overview of the state-of-the-art in heterogeneous object design. Finally, open problems and possible future directions are discussed.     

基于稀疏表示的多特征融合害虫图像识别

为提高害虫图像识别的准确率,针对不同害虫具有不同的颜色、形状、纹理的特点,提出一种将颜色、形状、纹理特征与稀疏表示相融合的害虫识别方法.该方法利用已标注的训练样本构造不同特征下的训练样本矩阵,通过求解样本的最优稀疏系数以实现害虫图像识别.由于相同样本通过不同特征训练字典求解的稀疏系数不同,进而识别结果也不同.因此,文中进一步通过设计不同特征下的识别分类器实现多特征的融合.在实验室环境与农田环境下的实验结果表明,相较于其他方法,该方法的害虫识别率获得较大的提高.     

可信机器学习的公平性综述

人工智能在与人类生活息息相关的场景中自主决策时,正逐渐面临法律或伦理的问题或风险.可信机器学习是建立安全人工智能系统的核心技术,是人工智能领域的热门研究方向,而公平性是可信机器学习的重要考量.公平性旨在研究机器学习算法决策对个人或群体不存在因其固有或后天属性所引起的偏见或偏爱.本文从公平表征、公平建模和公平决策三个角度出发,以典型案例中不公平问题及其危害为驱动,分析数据和算法中造成不公平的潜在原因,建立机器学习中的公平性抽象定义及其分类体系,进一步研究用于消除不公平的机制.可信机器学习中的公平性研究在人工智能多个领域中处于起步阶段,如计算机视觉、自然语言处理、推荐系统、多智能体系统和联邦学习等.建立具备公平决策能力的人工智能算法,是加速推广人工智能落地的必要条件,且极具理论意义和应用价值.     

基于BERT的心血管医疗指南实体关系抽取方法

实体关系抽取是医疗领域知识问答、知识图谱构建及信息抽取的重要基础环节之一。针对在心血管专病知识图谱构建的过程中尚无公开数据集可用的情况,收集了心血管疾病领域的医疗指南并进行相应的实体和关系类别的专业标注,构建了心血管专病知识图谱实体关系抽取的专业数据集。基于该数据集,首先提出双向变形编码器卷积神经网络（BERT-CNN）模型以实现中文语料中的关系抽取,然后根据中文语义中主要以词而不是字为基本单位的特性,提出了改进的基于全词掩模的双向变形编码器卷积神经网络（BERT（wwm）-CNN）模型用于提升在中文语料中关系抽取的性能。实验结果表明,改进的BERT（wwm）-CNN在所构建的关系抽取数据集上准确率达到0.85,召回率达到0.80,F₁值达到0.83,优于对比的基于双向变形编码器长短期记忆网络（BERT-LSTM）模型和BERT-CNN模型,验证了改进网络模型的优势。     

基于功效特征的专利聚类方法

当前专利是按照领域划分的,而基于功效特征可以实现跨领域的专利聚类,这在企业创新设计中具有重要意义,而精确提取专利功效特征和快速获得最优聚类结果是其中的关键任务。为此提出一种信息实体语义增强表示（ERNIE）和卷积神经网络（CNN）相结合的功效特征联合提取（FEI-Joint）模型来提取专利文献的功效特征,并且改进自组织神经网络（SOM）算法,从而提出具有早期拒绝策略与类合并思想的自组织神经网络（ERCM-SOM）来实现基于功效特征的专利聚类。对FEI-Joint模型与TF-IDF、狄利克雷分布（LDA）、CNN在特征提取后的聚类效果上进行比较和分析,结果表明其F-measure值比其他模型有明显提高。ERCM-SOM算法与K-Means算法、SOM算法相比,在F-measure值提高的同时,其时间较SOM算法有明显缩短。对比使用专利分类号（IPC）的专利分类,采用基于功效特征的聚类方法可实现跨领域的专利聚类效果,为设计者借鉴其他领域的设计方法奠定了基础。     

多媒体社会事件分析综述

由于网络技术的飞速发展,自媒体、微博、论坛等基于互联网的多种交流渠道日渐完善,人们能够方便地在线生成和共享丰富的社会多媒体内容。社会事件数据具有跨平台、多模态、大规模、噪声大等特点,基于多媒体社会事件的分析研究非常具有挑战性。因此,如何对社会媒体数据进行处理,研究社会事件分析方法、设计有效的社会事件分析模型成为社会事件分析研究的关键问题。文中对近年来多媒体社会事件分析的相关研究展开了综述,重点回顾了多媒体社会事件表示方法及其在虚假新闻检测、多媒体热点事件检测跟踪及演化分析、社交媒体危机事件响应等领域的应用,并对不同应用涉及的数据集进行了详细介绍。最后对多媒体社会事件分析方面未来可能的研究课题进行了展望。     

基于表示学习的工业领域人机物本体融合

随着新一代人工智能技术的发展,制造系统由以往的人物二元系统发展为人机物三元系统,跨域跨层的多元数据融合成为必然趋势。本体作为一种能在语义上描述数据的概念模型,被广泛应用于多元异构数据的集成、共享与重用中。在传统工业领域中,利用本体融合驱动数据融合的研究通常集中于信息和物理系统。针对人机物本体融合问题,文中提出了一种改进的表示学习模型TransHP。由于经典的表示学习的翻译模型未有效利用除三元组结构以外的其他信息,TransHP在TransH上加以改进,将本体中的元素构成类别三元组与实例三元组。首先针对类别概念构成的三元组,利用三元组的结构和属性进行联合训练;然后将得到的类别实体的向量表示作为训练实例向量的输入,与实例的结构信息进行联合训练,同时以置信度作为关系强度加入计算,以解决关系三元组稀疏性造成的实体在语义空间无序分布的问题。文中构建以工业领域热轧生产流程为例的人机物本体,并将其作为小样本进行测试,实验结果表明,与TransH模型相比,在人机物本体中,TransHP模型推理出实体间的关系更丰富,准确率更高。TransHP模型实现了人机物本体的融合,解决了人机物信息交互的问题,为协同决策做出了铺垫。     

Al-Si合金活塞金属型铸造工艺和模具设计智能化

为了开发Al-Si合金活塞金属型铸造工艺和模具智能化设计系统，在对国内外先进设计经验总结、归纳的基础上，采用面向对象的知识表达方法，建立了模块化的知识库。系统应用了基于实例的推理技术并建立了实例库和实例原型库。通过开发的文件接口程序，完成了一般设计型专家系统与传统CAD系统的连接，实现了智能化设计。通过与现场使用的设计方案比较，验证了本系统的有效性和实用性。