發(fā)布時間：2024-06-15 03:15

　　知識圖譜是人工智能研究和智能信息服務(wù)基礎(chǔ)核心技術(shù),能夠賦予智能體精準(zhǔn)查詢、深度理解與邏輯推理等能力。目前,基于深度學(xué)習(xí)的自然語言處理技術(shù)只能從數(shù)據(jù)中機械地學(xué)習(xí)完成特定任務(wù)的語義模式,不具備魯棒性和可解釋性,做不到對語言的深層理解與推理。我們認為要想實現(xiàn)真正的自然語言理解,需要在現(xiàn)有深度學(xué)習(xí)技術(shù)的基礎(chǔ)上融合知識圖譜信息。實現(xiàn)自然語言處理與知識圖譜的融合并非輕而易舉,需要解決幾個關(guān)鍵問題:(1)知識表示。在深度學(xué)習(xí)模型中充分利用大規(guī)模知識圖譜,需要首先解決知識圖譜表示的問題。在這方面,我的工作包括:a.考慮知識圖譜復(fù)雜關(guān)系的知識表示:我們提出了基于映射矩陣進行空間投影的知識圖譜表示模型,用于處理知識圖譜中的復(fù)雜關(guān)系。b.考慮知識圖譜復(fù)雜路徑的知識表示:我們認為實體之間多步的關(guān)系路徑同樣包含著豐富的關(guān)系推理信息,并提出了一種基于路徑表示的知識圖譜表示模型。c.考慮知識圖譜復(fù)雜屬性的知識表示:我們提出了一種同時學(xué)習(xí)知識圖譜中實體、關(guān)系和特性表示的知識圖譜表示模型,以提高知識圖譜表示的質(zhì)量。(2)知識獲取。如何從互聯(lián)網(wǎng)大規(guī)模的結(jié)構(gòu)化、半結(jié)構(gòu)和無結(jié)構(gòu)數(shù)據(jù)中自動獲取知識,輔以少量人工校驗,是大規(guī)模知...

【文章頁數(shù)】：128 頁

【學(xué)位級別】：博士

【部分圖文】：

圖1.1谷歌知識圖譜樣例

第1章引言圖1.1谷歌知識圖譜樣例。1.1.1知識圖譜知識圖譜，就是將人類知識結(jié)構(gòu)化形成的知識系統(tǒng)。知識圖譜是人工智能研究和智能信息服務(wù)基礎(chǔ)核心技術(shù)，能夠賦予智能體精準(zhǔn)查詢、深度理解與邏輯推理等能力，被廣泛運用于搜索引擎、問答系統(tǒng)、智能對話系統(tǒng)以及個性化推薦等知識驅(qū)動的任務(wù)。為了....

圖1.2遠程監(jiān)督自動構(gòu)建關(guān)系抽取數(shù)據(jù)集

第1章引言司’’退休，無法反映實體之間存在‘‘創(chuàng)立者’’的關(guān)系，這些噪音訓(xùn)練數(shù)據(jù)會顯著影響關(guān)系抽取深度學(xué)習(xí)模型的性能。此外，如何充分利用多語言文本數(shù)據(jù)進行關(guān)系抽取也是關(guān)系抽取深度學(xué)習(xí)模型面臨的挑戰(zhàn)性問題。圖1.2遠程監(jiān)督自動構(gòu)建關(guān)系抽取數(shù)據(jù)集1.4知識應(yīng)用在構(gòu)建完成大規(guī)模知識圖譜....

圖1.3工作框架

第1章引言1.5本文主要內(nèi)容圖1.3工作框架如圖1.3所示，本文針對知識智能中的三個關(guān)鍵問題：面向知識圖譜的知識表示、知識獲取和知識應(yīng)用系統(tǒng)性的進行了以下七個工作：考慮知識圖譜復(fù)雜關(guān)系的知識表示學(xué)習(xí)：在知識圖譜中，同一個實體在不同的關(guān)系場景下具有的語義是有區(qū)別的，例如‘‘奧巴馬’....

圖4.1基于知識注意力機制的神經(jīng)細粒度實體分類的模型框架

第4章結(jié)構(gòu)化知識的計算應(yīng)用圖4.1基于知識注意力機制的神經(jīng)細粒度實體分類的模型框架語義類型。4.3.1.1句子編碼器KNET模型首先在詞向量的基礎(chǔ)上得到命名實體與上下文單詞的表示。由于命名實體包含的詞的數(shù)量通常較少，如果采用復(fù)雜的模型（如CNN或RNN）傾向于過擬合，KNET模型....

本文編號：3994840