基于知识图谱的实体链接算法设计与实现
这是一篇关于实体链接,知识图谱,BiLSTM-CRF模型,知识嵌入,GBDT分类器的论文, 主要内容为随着大数据和人工智能时代的到来,知识图谱技术得到充分的发展和利用。作为知识图谱技术的重要一环,目前实体链接任务已经备受学术界和工业界的研究者们关注。由于自然语言存在歧义,需要准确地抽取、识别用户表达的真实含义便是巨大挑战,而实体链接技术则在这挑战上发挥了重要作用。基于对知识图谱和实体链接相关技术的调研,设计实用性的基于知识图谱的实体链接算法系统。在数据集选取上,挑选了北京大学中文百科知识图谱PKU-PIE作为知识图谱,选用2019年全国知识图谱与语义计算大会的任务6中文知识图谱问答数据集作为实验数据集,并选用Neo4j图数据库平台搭建知识图谱数据库。在系统设计上,引入流水线设计模式。系统主要模块包括文本预处理模块、实体提及抽取模块、属性词抽取模块和实体链接模块。其中,文本预处理模块,主要实现大写转小写、繁体转简体和标点符号过滤等操作;实体提及抽取模块,负责抽取预处理后句子的实体提及词语,包括单词查找树算法、基于条件随机场的双向长短记忆网络和冲突解决策略子模块;属性词抽取模块,主要针对输入字符串进行特定类型的属性词抽取,包括双引号和书名号内的词语、时间属性词、纯数字的属性词、数字+单位的属性词等;实体链接模块,根据实体提及抽取模块的输出,获得对应的Top N的候选实体,主要包括候选实体生成子模块、实体特征抽取子模块和实体排序子模块。本系统包括四大模块:文本预处理模块、实体提及抽取模块、属性词抽取模块和实体链接模块,主要涉及文本预处理、AC树查找算法、BiLSTM-CRF模型、实体特征工程、GBDT算法等核心技术。最终,实验结果表明,提出的实体链接算法系统在测试集上的Top5实体召回率可达到0.85,性能方面可保证600ms/句的速度,满足预期需求和实际应用场景。
基于知识嵌入与注意力机制的推荐算法研究与应用
这是一篇关于推荐系统,注意力机制,用户偏好建模,知识嵌入,图神经网络的论文, 主要内容为推荐系统可以为用户提供符合其爱好的推荐项目,在互联网中有着广泛的应用,例如商品推荐,书籍推荐等。然而,现有的推荐系统中普遍存在数据稀疏和解释性差的问题。为了解决这些问题,已经提出将知识作为一种辅助信息引入到推荐系统中。这种方法不仅可以缓解上述问题,还可以为推荐结果提供一定程度的可解释性。基于知识的推荐是将知识图谱中聚合得到的相关信息转移到推荐系统中,从而达到利用知识增强推荐的目的。尽管基于知识的推荐模型已经取得了较好的效果,但现有方法仍然存在一些问题:第一,推荐系统中的用户偏好具有多样且多变的特点,而当前主流模型在建模用户偏好的过程中没有充分利用知识图谱中的关系,影响了推荐的准确性。第二,利用图神经网络对知识图谱进行嵌入时,没有考虑到每条边都有相应的类型,并且仅限于学习节点的表示,对知识的利用程度不够。为了解决上述的问题,本文完成了下述工作:1.提出了结合知识利用注意力机制进行建模的偏好建模模型。将用户的偏好与知识图谱中关系的分布相关联,进一步抽象出用户的隐含目的。通过注意力机制计算不同关系在隐含目的中的重要程度,更重要的关系将会被分配更大的注意力分数。同时,还引入了独立性约束以鼓励不同的隐含目的之间具有更大的差异性。而关系的引入也为推荐结果提供了一定的可解释性。与未利用关系的基线模型相比,本模型在五项评价指标上均取得了一定的提升。2.提出了一种新的基于多关系类型的图卷积网络模型。在利用图卷积网络聚合知识的过程中,将针对不同的关系类型进行对应的操作,从而使得知识聚合过程能够更好地收集来自知识图谱的信息。然后结合用户隐含目的,将生成的高质量知识嵌入融合至推荐系统中,从而获得完善的用户与物品表示,提高推荐系统的准确性。本文在两个真实公开数据集上进行了一系列实验,实验结果表明,本文的方法在评价指标上均达到当前领先水平。3.将本文所提模型应用于推荐系统,实现对书籍的推荐。首先收集书籍的相关信息,然后对书籍数据进行预处理,构建书籍知识图谱。然后根据训练模型实现书籍推荐系统,搭建基于评分的推荐系统环境。最后实现评分预测,根据预测评分的结果为相应的用户推荐若干书籍。
基于知识图谱的个性化推荐系统研究与应用
这是一篇关于个性化推荐,知识图谱,知识嵌入,特征向量的论文, 主要内容为随着大数据时代的到来,人们在享受互联网便利性的同时,也面临着信息过载的问题。面对互联网中海量的数据,人们不能够快速、清晰的区分冗杂的数据和感兴趣的模块,而推荐系统由于能够满足用户个性化定制的需求,并且能够呈现出最符合用户兴趣的信息,因此推荐系统成为了最佳解决办法。传统的推荐系统存在稀疏性问题以及冷启动问题,导致推荐质量不高。推荐系统通过引用辅助信息,如上下文信息、用户或物品属性特征,就能够解决传统推荐系统存在的稀疏性和冷启动问题。知识图谱也作为一种辅助信息,因此本文利用知识图谱,通过知识图谱与推荐系统融合的方式,来增强推荐性能。本文设计了知识图谱与推荐系统融合的模型(KG-RS模型),将推荐模块和知识图谱嵌入模块通过连接模块连接,在连接模块中共同学习项目和实体特征,增强了物品语义信息,提高了推荐任务性能;本文根据用户功能需求,使用java语言设计并实现了个性化电影推荐系统页面的前后端。本文的主要研究工作如下:(1)分析了推荐系统和知识图谱的研究现状,对本文涉及的相关技术做出了详细阐述,包括推荐系统常用算法的原理,知识图谱构建技术方法,以及推荐算法相似度计算,同时对推荐系统评价指标AUC、准确率、精确率及召回率计算方法做出了简要介绍。(2)针对推荐系统数据稀疏性问题,推荐精度不高,本文提出了基于知识图谱的推荐系统模型(KG-RS模型),该模型是基于常用推荐算法的广义框架。模型分为三个部分,由推荐模块,知识图谱嵌入模块,以及连接模块组成。KG-RS模型,利用知识图谱嵌入低维向量的功能,将知识图谱嵌入模块的实体和推荐模块的项目在低维空间中共同学习,以此建立实体和项目连接,然后将特征学习后的项目和实体分别映射回推荐模块和知识图谱嵌入模块,最后在推荐模块和知识图谱嵌入模块中,通过多层神经网络计算出用户预测值。本文将KG-RS模型在MovieLens-1M数据集上,与其它模型对比,实验结果显示KG-RS模型可以提高推荐精度,并且在其它推荐评价指标也表现最佳。(3)基于本文提出的模型,设计并实现了一套个性化电影推荐系统,系统采用三层结构,其前端和后端涉及mybatis,spring,springmvc,easyui等相关技术,系统设计并实现了电影网站首页、登录注册、电影评分收藏、电影搜索、个性化电影推荐、网站管理六大模块。
基于知识图谱的实体链接算法设计与实现
这是一篇关于实体链接,知识图谱,BiLSTM-CRF模型,知识嵌入,GBDT分类器的论文, 主要内容为随着大数据和人工智能时代的到来,知识图谱技术得到充分的发展和利用。作为知识图谱技术的重要一环,目前实体链接任务已经备受学术界和工业界的研究者们关注。由于自然语言存在歧义,需要准确地抽取、识别用户表达的真实含义便是巨大挑战,而实体链接技术则在这挑战上发挥了重要作用。基于对知识图谱和实体链接相关技术的调研,设计实用性的基于知识图谱的实体链接算法系统。在数据集选取上,挑选了北京大学中文百科知识图谱PKU-PIE作为知识图谱,选用2019年全国知识图谱与语义计算大会的任务6中文知识图谱问答数据集作为实验数据集,并选用Neo4j图数据库平台搭建知识图谱数据库。在系统设计上,引入流水线设计模式。系统主要模块包括文本预处理模块、实体提及抽取模块、属性词抽取模块和实体链接模块。其中,文本预处理模块,主要实现大写转小写、繁体转简体和标点符号过滤等操作;实体提及抽取模块,负责抽取预处理后句子的实体提及词语,包括单词查找树算法、基于条件随机场的双向长短记忆网络和冲突解决策略子模块;属性词抽取模块,主要针对输入字符串进行特定类型的属性词抽取,包括双引号和书名号内的词语、时间属性词、纯数字的属性词、数字+单位的属性词等;实体链接模块,根据实体提及抽取模块的输出,获得对应的Top N的候选实体,主要包括候选实体生成子模块、实体特征抽取子模块和实体排序子模块。本系统包括四大模块:文本预处理模块、实体提及抽取模块、属性词抽取模块和实体链接模块,主要涉及文本预处理、AC树查找算法、BiLSTM-CRF模型、实体特征工程、GBDT算法等核心技术。最终,实验结果表明,提出的实体链接算法系统在测试集上的Top5实体召回率可达到0.85,性能方面可保证600ms/句的速度,满足预期需求和实际应用场景。
基于知识图谱的个性化推荐系统研究与应用
这是一篇关于个性化推荐,知识图谱,知识嵌入,特征向量的论文, 主要内容为随着大数据时代的到来,人们在享受互联网便利性的同时,也面临着信息过载的问题。面对互联网中海量的数据,人们不能够快速、清晰的区分冗杂的数据和感兴趣的模块,而推荐系统由于能够满足用户个性化定制的需求,并且能够呈现出最符合用户兴趣的信息,因此推荐系统成为了最佳解决办法。传统的推荐系统存在稀疏性问题以及冷启动问题,导致推荐质量不高。推荐系统通过引用辅助信息,如上下文信息、用户或物品属性特征,就能够解决传统推荐系统存在的稀疏性和冷启动问题。知识图谱也作为一种辅助信息,因此本文利用知识图谱,通过知识图谱与推荐系统融合的方式,来增强推荐性能。本文设计了知识图谱与推荐系统融合的模型(KG-RS模型),将推荐模块和知识图谱嵌入模块通过连接模块连接,在连接模块中共同学习项目和实体特征,增强了物品语义信息,提高了推荐任务性能;本文根据用户功能需求,使用java语言设计并实现了个性化电影推荐系统页面的前后端。本文的主要研究工作如下:(1)分析了推荐系统和知识图谱的研究现状,对本文涉及的相关技术做出了详细阐述,包括推荐系统常用算法的原理,知识图谱构建技术方法,以及推荐算法相似度计算,同时对推荐系统评价指标AUC、准确率、精确率及召回率计算方法做出了简要介绍。(2)针对推荐系统数据稀疏性问题,推荐精度不高,本文提出了基于知识图谱的推荐系统模型(KG-RS模型),该模型是基于常用推荐算法的广义框架。模型分为三个部分,由推荐模块,知识图谱嵌入模块,以及连接模块组成。KG-RS模型,利用知识图谱嵌入低维向量的功能,将知识图谱嵌入模块的实体和推荐模块的项目在低维空间中共同学习,以此建立实体和项目连接,然后将特征学习后的项目和实体分别映射回推荐模块和知识图谱嵌入模块,最后在推荐模块和知识图谱嵌入模块中,通过多层神经网络计算出用户预测值。本文将KG-RS模型在MovieLens-1M数据集上,与其它模型对比,实验结果显示KG-RS模型可以提高推荐精度,并且在其它推荐评价指标也表现最佳。(3)基于本文提出的模型,设计并实现了一套个性化电影推荐系统,系统采用三层结构,其前端和后端涉及mybatis,spring,springmvc,easyui等相关技术,系统设计并实现了电影网站首页、登录注册、电影评分收藏、电影搜索、个性化电影推荐、网站管理六大模块。
面向制造业的知识图谱交互式构建与应用研究
这是一篇关于知识图谱,可视分析,交互式构建,知识嵌入,知识应用,推荐系统的论文, 主要内容为工业互联网的发展加速了制造业数字化转型的进程,同时也伴随了大量生产过程数据的产生。通过对生产数据挖掘以生成智能决策是推动制造业智能发展的关键。但在实际生产中这些数据并没有得到有效的管理和应用,多数情况下工程师仍需凭借个人经验来解决生产过程中遇到的问题。知识图谱作为一种结构化的语义网络知识库,它以图谱形式对客观存在的实体、概念及其关系进行建模。在数字化时代背景下,鉴于其在有效组织和处理海量信息方面存在的优势,各行各业都开始广泛关注并积极将该技术应用于智能搜索、推理决策与个性化推荐等业务中,以推动行业的智能化发展。因此,完成制造业知识图谱的搭建并将其付诸于生产实践活动对智能制造至关重要。近年来,大量学者针对知识图谱的构建方法与知识图谱的应用落地等问题做了相关研究,并取得了不错的成效。然而,现有方法在构建知识图谱的过程中还缺乏视觉信息提示与交互式地反馈优化,不仅不利于知识图谱的高质量构建,而且进一步影响基于知识图谱的高级应用。为了解决这些问题,本文提出一种可视分析驱动的知识图谱交互式构建方法,提高知识图谱的构建质量,并将构建的高质量图谱应用于推荐任务中,提出了基于多特征融合的知识图谱增强推荐算法,缓解了传统协同过滤面临的数据稀疏与冷启动等难题,提升了推荐应用的效果。本文主要研究工作如下:(1)针对传统知识图谱构建方法中存在的效率低、准确率低等问题,本文设计了一种知识图谱实体关系可视化抽取与交互式优化方案。首先提出一种实体关系数据交互式错误挖掘方法,由语义聚类与置信度评级引导用户挖掘可疑项,帮助用户快速识别准确性不高的三元组;然后提出一种基于语义相似度的关系校正推荐方法,在目标实体对关系校正推荐词云可视化的基础上结合人机交互探索,为关系校正提供有力支持;最后将上述方法集成到一个可视分析系统中,并通过案例分析,验证了该方案在提示用户错误、帮助校正错误、实现模型自适应优化方面的积极性。(2)针对协同过滤推荐方法面临的数据质量差以至于生成的推荐效果差等困难,本文提出了一种多特征融合的知识图谱增强推荐算法(Multi-Feature Fusion Recommendation Based on Knowledge Graph,MFFRN)。以构建的高质量知识图谱为辅助信息的来源,融合知识的语义表示信息、属性信息与历史交互信息等特征为目标用户构建个性化推荐。最终,在一个设备生产数据集上对MFFRN模型进行了验证,通过试验对比证实了该模型在提高推荐系统表现力方面的可行性、有效性。
基于知识图谱和句嵌入的养老服务推荐方法
这是一篇关于养老服务,推荐,知识图谱,知识嵌入,句嵌入的论文, 主要内容为在人口老龄化趋势加剧的背景下,与老年人息息相关的养老服务产业正蓬勃发展,精准的养老服务推荐方法是提供优质养老服务的关键。老人群体使用服务时具有流行不敏感、注重固定习惯和需求表述模糊等特性,而当前业界普遍使用的协同过滤推荐方法并没有针对此类领域需求特性进行相应的优化,导致其服务推荐结果存在进一步优化的空间。因此,本文分析养老服务领域特性,构建领域知识库,针对养老服务推荐中老人群体的服务需求特征,设计并实现面向两个典型问题的的养老服务的推荐方法,通过实验数据和工具,证明方法的正确性和有效性。论文首先分析刻画我国养老服务特点,对养老服务中多领域繁杂的需求进行调研分析,归纳总结养老服务中急需解决的核心问题。针对研究领域没有成型的信息库,无法整合大量纷杂异构信息的问题,使用知识图谱整合异构信息,构建大规模高质量的中文养老服务知识图谱CKGECS,为后续研究打下基础。针对老人具有固定消费习惯的特点,研究基于知识图谱的隐式偏好时序养老服务推荐方法。方法首先选择对老人偏好进行深度时序建模,通过序列化地理解历史服务交互记录学习老人的隐式偏好信息,通过对比多个主流相关推荐方法,证明解决此类问题目前最优的推荐方案为使用GRU的模型。但该方法并没用利用服务和用交互记录的全部信息,因此,提出改进的ProjE知识嵌入方法,更适用于服务向量的学习,改进编码层后进一步提升时序模型的效果,提升服务推荐的准确度。针对服务需求表述模糊不完整这一问题时,研究基于句嵌入的模糊需求养老服务推荐方法。方法选择使用句嵌入进行需求与服务描述对接。在预处理后,使用GloVe方法得到词向量,通过改进Weighted-Removal句嵌入方法得到句向量,向量间可以更好的度量相似度,实验结果也证明其优于直接根据需求检索后推荐的方法。最后,设计并实现养老服务推荐工具,对所提方法进行验证。对所提两个养老服务方法的推荐结果进行融合,在挖掘用户偏好的同时能够满足用户的模糊需求,进一步提高推荐效果。在实际场景中的应用,证明方法的有效性和实用性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设货栈 ，原文地址：https://m.bishedaima.com/lunwen/46650.html
