基于知识图谱和深度学习的学术论文推荐算法研究

目的：文章针对当前学术论文推荐中存在的不足,提出将知识图谱与深度学习相结合的研究思路,研究一种学术论文推荐算法。方法：搜集文献资料,建立相关知识图谱。对用户的行为喜好及检索要求进行了分析。方法：通过构造查询矢量,度量相似度,生成资源推荐表,完成学术论文推荐。结论：通过与传统算法的比较,本文提出的算法可以使用户的搜索准确率提高4.53%,并且能够显著地提高用户的搜索准确率。     

基于2008—2017年CNKI我国深度学习现状图谱研究

文章以2008—2017年CNKI我国深度学习来源期刊发文及引用数据为数据来源,绘制并分析了深度学习作者合作共现图谱,机构合作共现图谱,关键词共现图谱及关键词共现图谱Time Zone视图,Time Line视图。通过相关知识图谱的构建,文章可视化地呈现了我国深度学习近10年来的科研脉络、重要影响力的学者及科学合作情况。     

基于知识图谱的个性化学习系统

随着“双减”政策的发布,如何“减负”不减质、提质有措施一直备受关注。“统一规模化的学习方式和学习内容”是当今中国学生学业负担过重的原因之一。因此,根据学生个体特点推荐精准的学习内容,提高学习效率,促进学习方式的转变,发展自主学习能力是现代教育发展趋势。随着人工智能技术的发展,特别是诊断性自适应测评和教育知识图谱技术的突破,让在线学习环境下的个性化学习成为可能。本文将以天星教育研发的未来脑考试在线平台为例,围绕中国现状、个性化测评与学习的基本原理和关键技术等问题展开分析,阐述基于知识图谱的动态评测技术在个性化学习中的应用,探索未来的更多可能。     

电子元器件企业知识图谱构建分析

知识图谱(Knowledge Graph)是整个知识工程体系的结构框架,图书情报界将其定义为知识领域映射地图,其主要功能在于有效连接各类分散知识体并构成一个完整的知识网络.借助于知识图谱的知识整合、组织、转化利用等优势可有效提升企业的核心竞争能力.本文以电子元器件企业为研究对象,分析其风险知识图谱的构建方法,以此提高企...     

基于知识图谱的人员关系构建

本文基于知识图谱通过节点定义、边关系处理以及规则集搭建来实现人员关系可视化,实现人员间显性和隐形关系的挖掘,为公共安全领域决策提供技术支撑。     

基于GCN的配电网知识图谱构建及应用

知识图谱拥有强大的表达能力,借助知识图谱可快速生成检索配电网设备选型、配置连接的辅助决策规则库,有利于降低配电网规范使用难度.同时,由于自动从技术规范文档提取实体关系时存在实体缺失和语义模糊等问题,文中提出基于GCN的配电网知识图谱构建方法,利用文档的语法依存关系和图神经网络的消息传递能力,实现多元实体关系抽取,以提高...     

基于学科核心素养的多模态教学知识图谱构建研究

多模态教学知识图谱是促进智慧教育的主要手段之一。文章根据学科核心素养发展理念,通过梳理多模态知识图谱的研究现状,以高中“信息技术”课程为例,收集了图片、音频、视频等形式的关于高中信息技术课程的多模态教学资源,设计基于学科核心素养的多模态教学知识图谱构建框架,使用Neo4j图数据库构建了关于高中信息技术课程的多模态教学知识图谱模式。     

基于表示学习的多关系型知识图谱推理算法

目前知识图谱的推理方法中,表示学习尤其是基于翻译的TransE系列算法取得了优异表现.其相关论文大都关注实体推理,然而关系推理作为知识图谱补全的关键技术值得受到关注与研究.与此同时,在规模不断扩大、知识来源更加多样化的知识图谱中,关系种类繁多且类型复杂,单个关系在全体三元组中的出现频率进一步降低,这为关系推理增加了难度...     

基于深度学习的算法知识实体识别与发现

随着互联网技术的快速发展,人类已经习惯于从网络上获取知识,然而伴随着网络资源爆炸式增长,网络资源内容多样,人们使用浏览器获取知识的方法却停滞不前,因此需要一种工具来帮助人们从网络中高效地获取和发现新知识.由于网络资源文本并不是完全结构化的数据,还包括一些自由文本等复杂的无结构数据,这种文本信息虽然方便人们自由表达概念以及事件等,但是同时也为机器搜索、统计分析等制造了障碍.因此,为了在文本上更方便地进行知识分析和挖掘,本文提出一种基于深度学习的算法知识实体识别与发现的方法,应用于算法知识领域来解决上述问题.通过创建算法知识专家库[1],训练词向量,建立深度神经网络模型,从算法知识文本中识别和发现算法知识名称.实验结果表明,该深度神经网络模型识别算法知识的准确率高达98％,并有效发现了专家库以外的新知识点,实现了预期实验需求.     

Real-time sepsis severity prediction on knowledge graph deep learning networks for the intensive care unit

Sepsis is the third-highest mortality disease in intensive care units (ICUs). In this paper, we proposed a deep learning model for predicting the severity of sepsis patients. Most existing models based on attention mechanisms do not fully utilize knowledge graph based information for different organ systems, such that might constitute crucial features for predicting the severity of sepsis patients. Therefore, we have employed a medical knowledge graph as a reliable and robust source of side information. End-to-end neural networks that incorporate analyses of various organ systems simultaneously and intuitively were developed in the proposed model to reflect upon the condition of patients in a timely fashion. We have developed a pre-training technique in the proposed model to combine it with labeled data by multi-task learning. Experimental results on real-world clinical datasets, MIMIC-III and eIR, demonstrate that our model outperforms state-of-the-art models in predicting the severity of sepsis patients.     

Semantic guided knowledge graph for large-scale zero-shot learning

Zero-shot learning has received growing attention, which aims to improve generalization to unseen concepts. The key challenge in zero-shot tasks is to precisely model the relationship between seen and unseen classes. Most existing zero-shot learning methods capture inter-class relationships via a shared embedding space, leading to inadequate use of relationships and poor performance. Recently, knowledge graph-based methods have emerged as a new trend of zero-shot learning. These methods use a knowledge graph to accurately model the inter-class relationships. However, the currently dominant method for zero-shot learning directly extracts the fixed connection from off-the-shelf WordNet, which will inherit the inherent noise in WordNet. In this paper, we propose a novel method that adopts class-level semantic information as a guidance to construct a new semantic guided knowledge graph (SG-KG), which can correct the errors in the existing knowledge graph and accurately model the inter-class relationships. Specifically, our method includes two main steps: noise suppression and semantic enhancement. Noise suppression is used to eliminate noise edges in the knowledge graph, and semantic enhancement is used to connect two classes with strong relations. To promote high efficient information propagation among classes, we develop a novel multi-granularity fusion network (MGFN) that integrates discriminative information from multiple GCN branches. Extensive experiments on the large-scale ImageNet-21K dataset and AWA2 dataset demonstrate that our method consistently surpasses existing methods and achieves a new state-of-the-art result.     

基于知识图谱的装备故障诊断技术

传统的故障诊断方法为建立解析数学模型,该模型只能在装备发生故障后才能进行诊断分析,无法满足现在武器装备的故障检测需求。针对这一问题,文中以多层次知识图谱模型为基础,使用贝叶斯网络进行故障检测和诊断并完成建模,模型可以实现武器装备的状态变化检测及故障判断。实验结果表明,该模型可以通过状态的改变进而对故障类型进行判断。在对比实验中,文中所提算法模型的准确率与其他对比算法相比提高了2.5%、4.2%和5.6%,这说明该算法可以对装备进行故障诊断且综合性能良好。     

基于AI深度学习的面向业务5G基站节能系统研究

由于5G业务发展,5G基站数量增多,造成运营商的电费成本急剧增加,节能降耗成为运营商的可持续发展需求。在研究主流5G基站节能模式及多方位5G节能方案的基础上,提出了基于多种AI算法的5G基站节能系统,通过单SIM卡级别的高精度业务识别,在保证5G重要业务等各类型业务稳定运行的基础上,实现了最佳策略的5G基站柔性节能。     

基于知识图谱的电磁干扰源定位方法

为解决现有电磁大数据管理手段单一,无法充分利用电磁数据的弊端,引入分区管理的概念,采用聚类算法将电磁数据按地理属性进行分区,利用图数据库对电磁数据进行管理,将电磁聚类后的结果转化为知识图谱实体,抽取实体之间的关系,发掘电磁数据间的潜在关联。针对电磁干扰源定位难、效率低下的问题,提出了以知识图谱为基础,大数据实时处理技术为辅助的改进接收信号强度指示(RSSI)定位算法,并实验仿真了真实电磁数据下干扰源定位的过程,分析了单目标干扰源和多目标干扰源下定位的性能。实验结果表明,所提的基于知识图谱的电磁干扰源定位方法较传统RSSI定位方法效果更显著,误差更小。     

基于深度学习的环境声音识别

作为一种感知周围环境十分有效的方法,环境声音识别(Environment Sound Recognition,ESR)被广泛地应用在机器人导航、移动机器人、音频检索、音频取证以及其它基于情景感知、可穿戴的应用中.目前,较为简单的分类器已经大规模应用在ESR问题中,但却不能很好地反映和识别环境声音,而深度神经网络作为一种高性能、多层的神经网络,为更好地描述原始数据特征和解决模式识别问题提供了更有效的途径.为此,本文将深度神经网络应用在环境声音识别问题中,并对音频特征进行特征融合,通过训练深度信念网络(Deep Belief Network,DBN)进行环境场景的识别.实验结果表明,基于特征融合的方法的识别性能相较于分别采用音频特征的方法识别在性能上有明显提升,且将深度学习应用在ESR问题中具有明显的优势.     

基于轻量化关联规则挖掘的安全日志审计技术研究

为了对云计算平台中日志审计数据进行安全分析,提出一种采用改进的关联规则的日志信息挖掘方法,以便有效识别事故类型或者预防可能出现的各种恶意入侵。该方法采用典型的关联规则Apriori算法对比挖掘系统日志和用户行为模式的异常信息,并通过删除稀疏矩阵集合中的弱相关项目集和可调节最小置信度的策略,对Apriori算法进行轻量化改进。在多次迭代运算得到最大项目集后运用于日志审计。仿真实验结果表明,改进的Apriori算法可以有效减少对数据库的扫描次数,提高挖掘效率,具有一定的推广价值。