知识表示学习研究进展

人们构建的知识库通常被表示为网络形式,节点代表实体,连边代表实体间的关系.在网络表示形式下,人们需要设计专门的图算法存储和利用知识库,存在费时费力的缺点,并受到数据稀疏问题的困扰.最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为稠密低维实值向量,知识表示学习则面向知识库中的实体和关系进行表示学习.该技术可以在低维空间中高效计算实体和关系的语义联系,有效解决数据稀疏问题,使知识获取、融合和推理的性能得到显著提升.介绍知识表示学习的最新进展,总结该技术面临的主要挑战和可能解决方案,并展望该技术的未来发展方向与前景.     

智能装配系统中的数据与知识表示及处理

本文论述了装配数据和知识处理的体系结构；讨论了基于装配机器人的数据和知识的表示方法与处理策略。实验结果表明，面向对象的表示方法和处理策略具有许多优点。     

知识表示学习方法研究综述

近年来,知识表示学习已经成为知识图谱领域研究的热点。为了及时掌握当前知识表示学习方法的研究现状,通过归纳与整理,将具有代表性的知识表示方法进行了介绍和归类,主要分为传统的知识表示模型、改进的知识表示模型、其他的知识表示模型。对每一种方法解决的问题、算法思想、应用场景、评价指标、优缺点进行了详细归纳与分析。通过研究发现,当前知识表示学习主要面临关系路径建模、准确率、复杂关系处理的挑战。针对这些挑战,展望了采用关系的语义组成来表示路径、采用实体对齐评测指标、在实体空间和关系空间建模,以及利用文本上下文信息以扩展KG的语义结构的解决方案。     

类型增强的时态知识图谱表示学习模型

知识图谱表示学习旨在将知识图谱中的元素（实体和关系）表示在低维的连续向量空间中,可以有效地实现知识图谱补全并提高计算效率,是贯穿知识图谱构建和应用全过程的重要问题.现有的知识图谱表示学习模型大多基于静态的结构化三元组,忽略了知识的时间动态性和实体的类型特征,限制了它们在知识图谱补全和语义计算中的表现.针对这一问题,提出一种类型增强的时态知识图谱表示学习模型（type-enhanced temporal knowledge graph representation learning model,T-Temp）,基于经典的张量分解技术,将不同形式的时间信息显式融合到知识图谱表示学习过程中.同时,利用实体与关系间的类型兼容性,充分挖掘隐含在实体中的类型特征,进一步提升表示学习的准确性.此外,证明T-Temp模型具有完全表达性,且与同类模型相比,具有较低的时空复杂度.在多个真实的时态知识图谱上进行的详细实验说明了T-Temp模型的有效性和先进性.     

智能学习中的知识表示和知识聚类

e-Learning中的智能化学习一直是诸多网络教育研究人员努力去解决而至今尚未有合适解决方案的一个问题。采用传统的导航方式或搜索引擎方式引导学习过程有着自身固有的缺陷。一种新的引导方式是:基于知识指定的表示和组织方式,以知识项和知识交流域(上下文)的映射来引导学习过程。这种方式以知识项得到领域专家认证为前提,通过关联规则对知识进行有效的聚类,给出一系列相关的知识项(相关案例或有关内容),向学习者提供建议性的学习内容,方便了关联学习。     

农业专家系统的知识获取、表示与推理

随着Internet／Intranet技术的迅猛发展，通过计算机和网络进行农业咨询、农业管理已经成为新形势下农民和农村干部的首要选择。     

时序知识图谱表示学习

知识图谱作为一种结构化的人类知识形式,对海量多源异构异质的数据语义互通起到了很好的支撑作用,并有效地支持了数据分析等任务,成为了近年来学术界和工业界的研究热点。目前大多数知识图谱都是根据非实时的静态数据构建,没有考虑实体和关系的时间特性。然而社交网络通信、金融贸易、疫情传播网络等应用场景的数据具有实时动态的特点以及复杂的时间特性,如何利用时序数据构建知识图谱并且对该知识图谱进行有效建模是一个具有挑战性的问题。目前,有许多研究工作利用时序数据中的时间信息丰富知识图谱的特征,赋予知识图谱动态特征,将事实三元组拓展为(头实体,关系,尾实体,时间)的四元组表示,使用时间相关四元组进行知识表示的知识图谱被统称为时序知识图谱。文中对时序知识图谱相关文献进行整理和分析,并对时序知识图谱表示学习的工作进行了全面综述。具体地,首先简单介绍了时序知识图谱的背景与定义;其次总结了时序知识图谱表示学习方法相比传统知识图谱表示学习方法的优点;然后从事实的建模方法角度详细阐述了时序知识图谱表示学习的主要方法,并且介绍了上述方法使用到的数据集;最后对该技术的主要挑战进行了总结,并对其未来研究方向进行了展望。     

基于图上下文的知识表示学习

在知识图谱的知识表示学习中,绝大多数方法都是将知识图谱中实体和关系映射到低维的连续向量空间中,但数据的稀疏和信息的不足仍会导致实体和关系语义表示的不完整性.针对这个问题,提出基于图上下文的知识表示学习模型(Context_RL).将知识图谱中实体和关系的上下文信息作为可靠数据来源和输入.通过计算实体和关系的语义相似度,...     

利用动态竞争学习方法进行知识表示

竞争学习技术是神经网络用于样本分类中应用十分普通的一种方法。动态竞争学习是一种无导师学习技术，它包括产生网络的方法以及网络中新单元的产生规则，它们都是在学习中动态产生的。该模型可用于复杂数据结构的存储。     

知识库系统中语义网知识的表示

基于对知识库系统中知识表示的理解,提出了在语义网环境下知识库系统的建立和相应的知识表示,并将此扩展到语义网中整个的知识表示系统。     

基于对象知识网的企业信息系统形式化表达研究*

为了形式化地研究企业信息系统,提出了基于对象知识网的企业信息系统形式化方法。首先,研究了对象知识网及信息传递关系网的数学描述,分析了对象知识网表达信息系统的规则;然后给出了对象知识网构建的算法以及企业信息系统形式化表达的方法;最后,通过对象知识网在某企业生产管理信息系统形式化中的应用,验证了基于对象知识网的形式化方法的可行性及有效性,为企业信息系统的定量研究提供了数学理论的支持,奠定了信息系统优化的理论基础。     

模糊概念图知识表示及其推理机制研究*

通过对现有模糊概念图的研究,针对概念的所指域与模糊信息间的冗余问题和用模糊度表示模糊概念问题,提出一种改进的模糊概念图知识表示方法。在改进的模糊概念图中,用模糊集合表示概念图中的模糊概念和模糊关系,并将模糊概念的所指域同模糊集合合并,减少信息冗余。根据改进的模糊概念图,重点研究了模糊概念图的匹配推理机制,设计了基于语义约束的匹配推理算法,并定量分析了算法的时间复杂度和空间复杂度。经过在《计算机文化基础》课程中实验测试,算法反映了考生主观题的答卷情况,同人工阅卷结果基本一致。     

基于本体的设备维护知识表示研究*

为满足设备维护领域知识数字化表示的需求,根据设备维护领域知识的特点,将本体引入到该领域的知识表示中。通过对设备维护资源构成的分析,以设备维护知识中维修经验知识表示为例,分析其概念和属性关联关系,设计了维护案例本体表示方法。采用OWL对维护案例本体进行统一的形式化描述和表示,较好地解决了维修经验知识的共享与重用难题。研究提出的维修经验知识表示方法已在某大机组群监测系统中得到成功应用。     

面向对象的专家知识模型

文中用面向对象方法来分析、设计基于规则的专家系统,提出一种新的采用分层递阶结构的专家知识模型,并从结构和功能角度进行详细阐述。     

面向个性化推荐的node2vec-side融合知识表示

推荐系统中知识图谱对系统的推荐效果起到很重要的作用,图谱中的知识表示成为影响推荐系统的关键因素,这也成为当前的研究热点之一。针对推荐系统中知识图谱的结构特点,在传统node2vec模型基础上增加关系表示和多元化游走策略,提出一种基于node2vec的知识表示node2vec-side,结合推荐系统知识图谱网络结构,旨在挖掘大规模推荐实体节点间潜在的关联关系,降低表示方式复杂度,提高可解释性。经过时间复杂度分析可知,提出的知识表示方式在复杂度上低于Trans系列和RGCN。在传统知识图谱数据集FB15K、WN18和推荐领域数据集MovieLens-1M、Book-Crossing、Last.FM上分别进行链接预测对比实验。实验结果表明,在MovieLens-1M数据集上,Hits@10分别提升了5.5%～12.1%,MRR提升了0.09～0.24;在Book-Crossing数据集上,Hits@10分别提升了3.5%～20.6%,MRR平均提升了0.04～0.24;而在Last.FM数据集上,hits@1提升了0.3%～8.5%,MRR平均提升了0.04～0.16,优于现有算法,验证了所提方法的有效性。     

Integrated graphical approach to knowledge representation and acquisition

An approach toward improving the accessbility of the knowledge and information structures of expert systems is described; it is based upon a foundation development environment called the Rule-Based Frame System (RBFS), which forms the kernel of a larger system, IDEAS. RBFS is a knowledge representation language, within which a distinction is drawn between information which represents the world or domain, and knowledge which states how to make conclusions based upon the domain. Information takes the form of frames, for system processing, but is presented to the user/developer as an associative network via a Visual Editor for the Generation of Associative Networks (VEGAN). Knowledge takes the form of production rules, which are connected at suitable points in the domain model, but again it is presented to the user via a graphical interface known as the Knowledge Encoding Tool (KET). KET is designed to assist in knowledge acquisition in expert systems. It uses a combination of decision support trees and associative networks as its representation. A combined use of VEGAN and KET will enable domain experts to interactively create and test their knowledge base with minimum involvement on behalf of a knowledge engineer. An inclusion of learning features in VEGAN/KET is desirable for this purpose. The main objective of these tools, therefore, is to encourage rapid prototyping by the domain expert. VEGAN and KET are implemented in the Poplog environment on SUN 3/50 workstations.     

基于本体的机械零件知识表示方法研究

分析了零件知识内容复杂,数据构成的形式多样的特点,比较现有知识表示方法的利弊,提出了基于本体的知识表示方法,给出基于本体的机械零件知识表示的实现过程,并以螺栓为例进行了本体表示。     

融合实体概念描述与图像特征的知识图谱表示学习研究

知识图谱表示学习将实体和关系映射到一个连续的低维空间.传统学习方法是从结构化的三元组学习知识表示,忽略了三元组之外与实体相关的丰富多源信息.针对该问题,提出一种将实体概念描述和图像特征与事实三元组相结合的知识图谱表示学习模型DIRL.首先,利用BERT模型进行实体概念描述的语义表示;其次,使用CNN编码器对图像总体特征进行提取,然后通过基于注意力的方法表示图像特征;最后,将基于概念描述的表示和基于图像特征的表示与翻译模型TransR结合起来进行知识图谱表示学习.通过实验验证,DIRL模型优于现有方法,提高了多源信息知识图谱表示的有效性.     

网络学习系统中代理数字签名算法的研究

以现有的ElGamal数字签名体制为基础,研究了网络学习系统中的代理数字签名算法：单代理数字签名算法和多代理数字签名算法,与目前用得较多的基于Fiat-Shamir签名体制的代理数字签名算法和基于Guillou-Quisquater签名体制的代理数字签名算法相比,这些算法具有密钥短小、参数规模小、运算速度快和安全性好的优点。