导读:本文包含了模型的知识表示论文开题报告文献综述及选题提纲参考文献，主要关键词:知识图谱嵌入,不对等投影,关系相关性
模型的知识表示论文文献综述
朱艳丽,杨小平,王良,张志宇[1]（2019）在《TransRD：一种不对等特征的知识图谱嵌入表示模型》一文中研究指出知识图谱嵌入是一种将实体和关系映射到低维向量空间的技术。目前已有的嵌入表示方法在对具有不对等特征的知识图谱中的实体和关系建模时存在两大缺陷:一是假定头尾实体来自同一语义空间,忽略二者在链接结构和数量上的不对等;二是每个关系单独配置一个投影矩阵,忽略关系之间的内在联系,导致知识共享困难,泛化能力差。该文提出一种新的嵌入表示方法TransRD,首先对头尾实体采用不对等转换矩阵进行投影,并用ADADELTA算法自适应调整学习率;其次对关系按相关性分组,每组关系使用同一对投影矩阵的方式来共享公共信息,解决泛化能力差的问题。在公开的数据集WN18和FB15K以及MPBC_20(乳腺癌知识图谱的子集)上进行实验和结果分析并与现有的模型进行对比,结果表明TransRD在各项指标上均取得大幅提升。(本文来源于《中文信息学报》期刊2019年11期）
陈晓军,向阳[2]（2019）在《STransH:一种改进的基于翻译模型的知识表示模型》一文中研究指出最近,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低维稠密实值向量。因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力。但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性。鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系。同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色。在模型训练时,通过替换语义相似实体来提高生成负例的质量。最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性。相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和叁元组分类准确率分别提高近10%。(本文来源于《计算机科学》期刊2019年09期）
康宏宇,李姣,吴萌,侯丽[3]（2019）在《抗癌药物基因组学知识表示模型构建》一文中研究指出目的:通过构建抗癌药物基因组学知识表示模型,丰富药物、基因、疾病以及个性化用药等之间的语义关系,为临床医生精准用药、联合用药等提供参考依据,为药学科研人员开展新药研发、老药新用等研究提供理论支持,为癌症患者查询药物知识提供服务支撑。方法:对Drug Bank、Rx Norm、FDA药品说明书等药物基因组数据进行整合和抽取,在通用药物基因组学知识表示模型的基础上,涵盖药物、基因、疾病3个基本维度,并拓展个性化用药、药物副作用等知识维度,设计知识表示框架,确立相关实体类型,发现和定义实体与实体之间的语义关系。在构建好的抗癌药物基因组学知识表示模型的基础上,以黑色素瘤相关药物为例,对知识表示模型进行填充,并对实体和实体间语义关系进行可视化表达。结果:实现了药物、基因、疾病、个性化用药、药物副作用5类实体的概念抽取,定义了实体间的15种语义关系,构建了黑色素瘤药物基因组学相关的136个知识叁元组。结论:面向抗癌药物精准用药的药物基因组学知识表示模型可以确定癌症用药与基因突变、人群、药物副作用之间的关联和推动药物基因组学知识在临床研究中的应用。(本文来源于《中华医学图书情报杂志》期刊2019年08期）
袁芳怡[4]（2019）在《面向制造业的知识图谱表示模型与构建技术研究》一文中研究指出随着工业互联网+的发展,制造业的数字化转型正在如火如荼地进行着。而知识在其中发挥着至关重要的作用,它是许多智能决策、资源优化的基石。但是现在制造业知识分布独立,且许多依靠人的经验。知识图谱近年来大展拳脚,它可以整合不同来源的数据,且拥有很好的推理能力。因此,建立制造业的知识图谱会对制造业的智能化产生推动作用。现有的知识图谱大多仅存在定性知识,但制造业中存在许多定量知识以及事理知识。因此,本文针对制造业的知识特点,提出面向制造业的知识图谱构建与表示模型。我们从叁个方面对制造业知识图谱进行了改进。本文的主要工作如下:1)将定量知识与定性知识相结合将定量知识的抽取转化为命名实体识别与属性抽取。在使用序列标注的方法对命名实体进行识别后,本章提出个性化Page Rank与Bi-LSTM-CRF结合的方式进行属性识别,无需提前指定属性类别;且与无监督方法相结合,使方法具有可移植性,减少了人力标注的成本。2)将概念知识与事理知识结合将事理知识的抽取转化为事件触发词提取、事件描述补全、事件关系分类。使用DMCNN方法对事件的触发词进行抽取后,使用短语句法分析对事件进行补全。本章使用Bi-LSTM方式进行事件分类,无需人工构建特征。不仅针对同一句子中的事件进行分类,且可对跨句子的事件进行分类。3)定量与事理知识结合,进行联合推理将知识图谱补全问题转化为排序问题,改进了ProjE算法,将定量知识转化成向量与原“实体”表示相结合,得到最终的知识图谱实体、关系表示。使知识表示不仅针对实体与实体之间的关系,提升了实体链接的能力。综上所述,本文建立了一个面向制造业的知识图谱,与现有的知识图谱不同。它融合了定量知识、事理知识。且在知识推理时,它的知识表示融合了定量知识的属性知识,不仅只针对实体或事理之间的关系。实验结果表示,我们的方法相比于其他方法效果有所提升。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
彭敏,姚亚兰,谢倩倩,高望[5]（2019）在《基于带注意力机制CNN的联合知识表示模型》一文中研究指出知识表示学习在自然语言处理领域获得了广泛关注,尤其在实体链指、关系抽取及自动问答等任务上表现优异。然而,大部分已有的表示学习模型仅利用知识库中的结构信息,无法很好地处理新的实体或关联事实极少的实体。为解决该问题,该文提出了引入实体描述信息的联合知识表示模型。该模型先利用卷积神经网络编码实体描述,然后利用注意力机制来选择文本中的有效信息,接着又引入位置向量作为补充信息,最后利用门机制联合结构和文本的向量,形成最终的联合表示。实验表明,该文的模型在链路预测和叁元组分类任务上与目前最好的模型性能相近。(本文来源于《中文信息学报》期刊2019年02期）
杨溢,林煜明,邹文静[6]（2018）在《基于图模型的海量商品知识表示与管理》一文中研究指出实现智能化的语义搜索需要强大的知识支持,因此大规模的知识存储和管理系统是目前一项迫切的需求。针对海量商品知识,提出一种基于RDF(Resource Description Framework)的知识表示模型。利用图模型对商品知识进行建模,在Neo4j的基础上设计一个支持多模式查询、具有高可扩展性的海量商品知识管理系统。一系列的实验验证该系统能够有效地支持百万级别节点的商品知识服务请求。(本文来源于《计算机应用与软件》期刊2018年04期）
但凝云[7]（2018）在《基于人工智能的知识链模型及知识获取与表示研究》一文中研究指出知识链是近年来较为新型的研究领域,主要是在人工智能的基础上对知识链模型进行研究和建立,从而实现知识获取与表示,最终应用到知识管理中去,使知识发挥出促进社会经济发展及科学技术水平提高的作用。所以下文基于人工智能,简单探讨了知识链模型、知识获取与表示。(本文来源于《数码世界》期刊2018年04期）
秦春秀,杨智娟,赵捧未,刘杰[8]（2018）在《面向科技文献知识表示的知识元本体模型》一文中研究指出[目的 /意义]随着科技文献资源的急剧增长,用户淹没在科技文献的海洋中,为用户提供快速、精准的细粒度知识元服务将成为未来文献知识检索的发展趋势。[方法 /过程]在分析科技文献文本结构的基础上,逐步深入到科技文献的内容中,以期通过构建一种面向科技文献知识表示的知识元本体模型,将科技文献内容中句义完整的细粒度知识点表示成具有统一结构的知识元。[结果 /结论]以一篇科技文献为实例,展示笔者提出的基于知识元本体模型的科技文献知识表示方法,但该示例仅呈现了科技文献中引言部分的相关知识点,需进一步验证该知识元本体模型的有效性。(本文来源于《图书情报工作》期刊2018年03期）
孟中来[9]（2017）在《咨询服务项目本体知识表示模型研究》一文中研究指出咨询服务业是知识密集型行业的典型代表,知识服务处于咨询服务的核心位置。所谓知识密集型服务即指咨询服务业的一切业务服务活动都是围绕着知识的收集、加工、整合、再造、传播、利用和更新展开的。这些知识过程依赖相关知识资源的投入和知识生产者的智力劳动创造,因而咨询服务项目过程也就是不断需求上述两类资源的过程。本文的研究目标即是通过提高知识资源和知识人才资源在语义网层面的表达能力促使咨询服务项目更加高效的发现和获取上述两种资源。本文研究方法主要是通过对咨询服务知识需求缺口的分析,明确两类咨询服务资源知识缺口问题,利用知识网络在知识资源关联和人际关联的组织、定位和识别上的优势,帮助咨询服务团队提高内外部知识获取能力。咨询服务业项目知识服务具有很高的知识复杂度,其业务的操作专业化程度要求也极高。本文尝试利用知识工程领域先进的知识表示技术为咨询服务业构建知识表示模型,促进知识在组织业务中的识别、获取、分享和传播。本文梳理知识服务相关研究,回顾多种知识表示方法,深入分析了知识网络理论和本体相关理论。利用知识服务理论分析咨询服务的特点,通过知识网络理论定位咨询项目全阶段的知识资源、案例资源和人力资源,并且详细分析多种知识表示方法,在此基础上,利用本体理论和技术构造咨询项目本体模型,完成对所构建本体的检验和针对本体数据的查询实验,通过分析实验结果,证明构建咨询服务项目本体对于支持咨询服务知识表示具有重要作用。(本文来源于《安徽财经大学》期刊2017-06-01）
何亚南[10]（2017）在《基于时序动态描述逻辑的民族文化资源知识表示形式化模型研究》一文中研究指出描述逻辑(Description Logics,DLs)是以对象为中心的形式化语言工具,用来对知识进行表示,它延续了 KL-ONE的重要理念,是一阶谓词逻辑的一个可判定子集。近年来,描述逻辑以其强大的知识表达能力和完备的推理机制得到了广泛的应用。描述逻辑最开始是用在静态领域知识的处理,不能对动态知识进行表示使得它的运用范围相对局限,并且也存在少许弊端,对时间和动作的描述能力较差,为了达到对动态领域知识应用的目的,通常利用相应的模态算子来对其进行扩展,包括动态性、时序性和模糊性等叁方面的扩展,基于描述逻辑的各种扩展形式陆续成为知识表示与推理的研究热门。民族文化资源知识中,大部分的知识都具有动态性和时间属性,通过对基本描述逻辑的分析可知,传统的描述逻辑对动态的民族文化资源知识缺乏表达能力,针对这一问题,本文以基本描述逻辑ALC为基础,增添动作算子和时序算子进行扩展,以此来描述随着时间进行变化的民族文化资源知识,提出基于时序动态描述逻辑CTL-DDLALC的民族文化资源的知识形式化表示方法,对民族文化资源推理过程中需要的知识、规则等进行统一的、标准化表示,以保证民族文化资源知识的表示与推理研究。本文主要的研究内容如下:(1)结合民族文化资源领域知识,对基本描述逻辑ALC进行扩展,增添8个模态算子,其中包括4个动作算子:;(Sequence,顺序)、∪(Choice,选择)、*(Iteration,迭代)、?(Test,测试),4个时序算子:O(Next,下一时刻)、◇(Frequently,某一时刻)、□(Always,所有时刻)、U(Until,直到)以及2个路径量词:A(All the Path,全路径)、E(Exist a Path,存在路径),提出时序动态描述逻辑CTL-DDLALC形式化系统,对CTL-DDLALC的语法和语义进行定义,并构建相应的知识库,使民族文化资源知识的描述具有动态性和时态性。(2)对CTL-DDLALC的推理问题进行研究,构建相应的Tableau算法规则,并证明所提出的Tableau算法的正确性,包括可终止性、可满足性,以实现民族文化资源的知识推理。(3)对民族文化资源领域知识进行分析,利用所提出的CTL-DDLALC形式化系统对民族文化资源知识进行描述和推理验证,包括动态性验证和时态性验证。(本文来源于《云南师范大学》期刊2017-05-25）
模型的知识表示论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
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低维稠密实值向量。因此,一系列知识表示模型被提出,其中基于翻译模型的经典方法TransE不仅模型复杂度低、计算效率高,而且具有良好的知识表达能力。但是,TransE方法在处理自反、一对多、多对一和多对多等复杂关系时存在局限性。鉴于此,文中提出一种改进的知识表示模型STransH,分别在实体空间和关系空间建模,并采用单层神经网络的非线性操作来加强实体和关系的语义联系。同时,受TransH模型的启发,引入投影到特定关系超平面的机制,使得实体在不同的关系中有不同的角色。在模型训练时,通过替换语义相似实体来提高生成负例的质量。最后,在公开的数据集FB15K和WN18上进行链接预测实验,分析和验证了所提方法的有效性。相比于TransE和TransH模型,STransH在各项性能指标上均取得了较大提升,其Hits@10和叁元组分类准确率分别提高近10%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模型的知识表示论文参考文献
[1].朱艳丽,杨小平,王良,张志宇.TransRD：一种不对等特征的知识图谱嵌入表示模型[J].中文信息学报.2019
[2].陈晓军,向阳.STransH:一种改进的基于翻译模型的知识表示模型[J].计算机科学.2019
[3].康宏宇,李姣,吴萌,侯丽.抗癌药物基因组学知识表示模型构建[J].中华医学图书情报杂志.2019
[4].袁芳怡.面向制造业的知识图谱表示模型与构建技术研究[D].哈尔滨工业大学.2019
[5].彭敏,姚亚兰,谢倩倩,高望.基于带注意力机制CNN的联合知识表示模型[J].中文信息学报.2019
[6].杨溢,林煜明,邹文静.基于图模型的海量商品知识表示与管理[J].计算机应用与软件.2018
[7].但凝云.基于人工智能的知识链模型及知识获取与表示研究[J].数码世界.2018
[8].秦春秀,杨智娟,赵捧未,刘杰.面向科技文献知识表示的知识元本体模型[J].图书情报工作.2018
[9].孟中来.咨询服务项目本体知识表示模型研究[D].安徽财经大学.2017
[10].何亚南.基于时序动态描述逻辑的民族文化资源知识表示形式化模型研究[D].云南师范大学.2017