面向城市管理执法领域的知识图谱系统设计与实现
这是一篇关于知识图谱,知识抽取,语义增强,注意力机制的论文, 主要内容为随着中国城市化进程的加快与执法体系的不断完善,城市管理执法压力逐年增加,对执法人员处理案件的效率和质量提出更高的要求。随着人工智能的不断进步,城市行政执法机关寻求构建一种智慧化、引导式的城市管理格局,知识图谱作为一种结构化语义网络,具有系统的语义处理和开放互联能力,能够很好的组织不同结构数据中的知识信息,为城市治理提供体系化的知识服务。建立城市管理执法领域的知识图谱,通过智能化的事件分析和处理建议,引导城市管理人员做出更加公正、合理的判罚制度,同时提高执法效率,加快智慧化城市建设步伐。信息抽取作为知识图谱构建的核心,知识信息的抽取结果直接影响领域知识库的质量。为确保信息抽取的质量,有必要对现有实体关系抽取方法进行研究。目前,实体关系抽取任务主要使用基于深度学习的方法,本文在深入研究了不同模型结构的前提下,提出了基于分段卷积神经网络的特征增强注意力模型。本文在分段卷积神经网络的基础上,针对语义信息表征和关键特征提取方面做出三点改进,1)引入中文词粒度的预训练模型,生成基于上下文语义的动态词向量,2)词信息融入实体相对距离和词性信息进行句子特征信息增强,3)提出基于关系类别关键词的句子级注意力机制,数据降噪处理和加强关系关键信息学习。针对基线模型和改进点进行对比实验,验证改进方法的有效性,新模型在多类数据集的关系抽取表现上,相对于PCNN模型,整体准确率提升了约7.1%。本文依据提出的关系抽取模型结合实体识别任务实现方式,面向城市管理执法领域,提出了一套完整的知识抽取任务解决方法。基于知识抽取方法设计出B/S架构的知识图谱系统,通过完成对非结构化文本的知识抽取构建领域知识库,并提供知识查询功能,支撑构建智慧化城市管理格局。
融合视觉辅助信息的个性化商品推荐研究
这是一篇关于视觉感知推荐,美学特征,语义增强,交叉注意力,图卷积神经网络的论文, 主要内容为互联网为人们提供了便捷的服务,人们每天在互联网上的行为产生了大量数据。如何更高效地利用这些数据,并进行个性化信息过滤显得十分重要。视觉感知推荐系统作为处理非结构化数据的有效信息过滤手段,目前正成为推荐领域的一大研究热点。视觉感知推荐系统旨在利用商品图像数据作为辅助信息,通过深度学习技术处理并结合用户-商品的交互数据,可以为用户提供符合视觉偏好的推荐服务。目前,视觉感知推荐系统仍存在一些不足之处,比如:缺乏对用户-物品交互行为图结构信息建模,没有很好地对图像中隐藏的美学特征进行深入挖掘,推荐的商品缺乏多样性等。针对上述问题,本文开展了针对性的研究,包括增强图像在语义、审美上的表征,对用户物品交互行为图结构信息进行深入挖掘,并充分利用多模态数据,丰富用户和物品的潜在特征表示等,实现用户的个性化推荐。主要完成的工作内容如下:(1)提出了一个融合图像美学和行为交互结构嵌入的美学特征感知视觉推荐系统ABVR。ABVR使用预训练Vit模型提取图像的高层视觉特征--语义类别特征,利用美学提取网络挖掘出图像中的中层美学视觉特征--物品的颜色、形状等特征,利用图卷积神经网络GCN模块学习用户物品交互图结点的多层图结构嵌入特征,最后将三类特征关联融合,以实现美学增强的视觉推荐。在两个真实数据集上进行了大量实验,验证了ABVR模型在视觉推荐性能提升上的有效性。(2)提出了视觉美学与内容语义增强的跨模态交叉注意力视觉感知推荐模型ASEVR,它将Vit提取的视觉内容语义特征、Albert提取的文字语义特征、Aesthetic网络抽取的美学特征共同纳入用户偏好计算,对视觉和文本利用跨模态注意力捕获模态间的内在联系,并施加双层注意力网络用以区分用户在视觉上、文字上、美学上的偏好差异,采取多层感知机拟合用户与物品交互行为特征。最后在三个真实数据集上实验结果表明,该方法能够有效提升推荐性能。
基于语义增强的短文本匹配模型研究
这是一篇关于短文本匹配,语义增强,WordNet,预训练模型,深度学习的论文, 主要内容为短文本匹配旨在通过提取两个短文本的特征以预测它们之间的关系。短文本匹配作为自然语言处理领域的基础性研究,其效果的好坏直接影响了如文本蕴含识别、问答系统、信息检索等下游任务的性能。因此,短文本匹配任务作为自然语言处理的一项关键技术受到广泛的关注。目前的短文本匹配研究多聚焦于采用深度神经网络和注意力机制提取两个短文本的语义和交互特征,并通过设计不同的网络结构和交互方式构建短文本匹配模型。尽管现有的研究已经取得了一定的成果,但仍存在以下问题:(1)现有的短文本匹配模型无法有效地平衡效果和效率的关系,效果较好的模型往往伴随着复杂的网络结构和大量的训练参数,导致模型推理速度较慢,无法很好的满足实际场景的需求;(2)鉴于短文本匹配任务中的文本长度较短,现有的模型无法依据有限的上下文准确理解一些短文本中关键单词的语义,进而影响模型对两个短文本间关系的判断,导致模型匹配效果较差。针对上述问题,本文从以下三个方面展开研究:(1)针对短文本匹配任务中现有模型结构较为复杂和参数量较大导致推理速度较慢的问题,本文设计了高效轻量的短文本匹配模型(ELTM)。该模型采用简单高效的卷积神经网络获取短文本的语义信息,然后基于残差连接多次循环以共注意力层和融合层构成的交互模块,获取深层次的交互信息并与语义信息进行融合。ELTM模型着重于短文本的原始语义信息和深层次的融合信息,而优化其它模块的结构以减少参数、提升速度。本文在Quora、Twitter-URL、Sci Tail和SICK-E四个短文本匹配数据集上进行了大量的对比实验,结果表明,ELTM模型不仅大幅减少了模型的参数,而且在四个数据集上均取得了优异的效果。(2)针对现有模型无法准确理解一些短文本语义的问题,本文提出了基于语义增强的轻量级匹配模型框架。该框架首先对于短文本中的每一个单词,采用无监督的方法从Word Net知识库中选取最合适的释义描述信息作为外部语义知识,并采用双向门控循环单元(Bi-GRU)获取外部语义知识的表示矩阵;然后基于门控机制将外部知识选择性融入到短文本的语义表示中,增强轻量级模型对短文本的语义理解能力。经过大量的对比实验和实证分析表明,在Siamese-CNN、Siamese-LSTM、RE2和ELTM模型的基础上加入语义增强框架后,均可以有效地提升相应模型在短文本匹配任务的效果。(3)本文进一步提出了基于语义增强的预训练匹配模型框架。该框架同样基于Word Net获取外部语义知识并使用Bi-GRU进行编码得到其知识表示矩阵,然后将两个表示矩阵拼接后输入到Transformer编码层获取外部语义知识的交互信息表示。同时两个短文本输入到预训练模型获取其匹配特征。最后基于多头注意力机制将匹配特征与外部知识的交互信息表示进行融合,丰富模型对两个短文本间关系的特征表示。对比实验结果表明,在多种预训练模型的基础上加入本文提出的语义增强框架,均可以有效地提升相应模型在短文本匹配任务的效果,且相较现有知识增强方法提升幅度更大。综上所述,本文提出了轻量级短文本匹配模型ELTM,并在短文本匹配任务上相较基线方法取得了效果和效率的提升。此外,本文在轻量级模型和预训练模型的基础上融入Word Net知识库中单词的释义描述信息,分别设计了基于语义增强的轻量级匹配模型和预训练匹配模型,并有效地提升了相应模型的匹配效果。研究成果可应用于问答系统、信息检索等实际场景中,对展开相关研究具有借鉴意义。
面向城市管理执法领域的知识图谱系统设计与实现
这是一篇关于知识图谱,知识抽取,语义增强,注意力机制的论文, 主要内容为随着中国城市化进程的加快与执法体系的不断完善,城市管理执法压力逐年增加,对执法人员处理案件的效率和质量提出更高的要求。随着人工智能的不断进步,城市行政执法机关寻求构建一种智慧化、引导式的城市管理格局,知识图谱作为一种结构化语义网络,具有系统的语义处理和开放互联能力,能够很好的组织不同结构数据中的知识信息,为城市治理提供体系化的知识服务。建立城市管理执法领域的知识图谱,通过智能化的事件分析和处理建议,引导城市管理人员做出更加公正、合理的判罚制度,同时提高执法效率,加快智慧化城市建设步伐。信息抽取作为知识图谱构建的核心,知识信息的抽取结果直接影响领域知识库的质量。为确保信息抽取的质量,有必要对现有实体关系抽取方法进行研究。目前,实体关系抽取任务主要使用基于深度学习的方法,本文在深入研究了不同模型结构的前提下,提出了基于分段卷积神经网络的特征增强注意力模型。本文在分段卷积神经网络的基础上,针对语义信息表征和关键特征提取方面做出三点改进,1)引入中文词粒度的预训练模型,生成基于上下文语义的动态词向量,2)词信息融入实体相对距离和词性信息进行句子特征信息增强,3)提出基于关系类别关键词的句子级注意力机制,数据降噪处理和加强关系关键信息学习。针对基线模型和改进点进行对比实验,验证改进方法的有效性,新模型在多类数据集的关系抽取表现上,相对于PCNN模型,整体准确率提升了约7.1%。本文依据提出的关系抽取模型结合实体识别任务实现方式,面向城市管理执法领域,提出了一套完整的知识抽取任务解决方法。基于知识抽取方法设计出B/S架构的知识图谱系统,通过完成对非结构化文本的知识抽取构建领域知识库,并提供知识查询功能,支撑构建智慧化城市管理格局。
面向城市管理执法领域的知识图谱系统设计与实现
这是一篇关于知识图谱,知识抽取,语义增强,注意力机制的论文, 主要内容为随着中国城市化进程的加快与执法体系的不断完善,城市管理执法压力逐年增加,对执法人员处理案件的效率和质量提出更高的要求。随着人工智能的不断进步,城市行政执法机关寻求构建一种智慧化、引导式的城市管理格局,知识图谱作为一种结构化语义网络,具有系统的语义处理和开放互联能力,能够很好的组织不同结构数据中的知识信息,为城市治理提供体系化的知识服务。建立城市管理执法领域的知识图谱,通过智能化的事件分析和处理建议,引导城市管理人员做出更加公正、合理的判罚制度,同时提高执法效率,加快智慧化城市建设步伐。信息抽取作为知识图谱构建的核心,知识信息的抽取结果直接影响领域知识库的质量。为确保信息抽取的质量,有必要对现有实体关系抽取方法进行研究。目前,实体关系抽取任务主要使用基于深度学习的方法,本文在深入研究了不同模型结构的前提下,提出了基于分段卷积神经网络的特征增强注意力模型。本文在分段卷积神经网络的基础上,针对语义信息表征和关键特征提取方面做出三点改进,1)引入中文词粒度的预训练模型,生成基于上下文语义的动态词向量,2)词信息融入实体相对距离和词性信息进行句子特征信息增强,3)提出基于关系类别关键词的句子级注意力机制,数据降噪处理和加强关系关键信息学习。针对基线模型和改进点进行对比实验,验证改进方法的有效性,新模型在多类数据集的关系抽取表现上,相对于PCNN模型,整体准确率提升了约7.1%。本文依据提出的关系抽取模型结合实体识别任务实现方式,面向城市管理执法领域,提出了一套完整的知识抽取任务解决方法。基于知识抽取方法设计出B/S架构的知识图谱系统,通过完成对非结构化文本的知识抽取构建领域知识库,并提供知识查询功能,支撑构建智慧化城市管理格局。
面向城市管理执法领域的知识图谱系统设计与实现
这是一篇关于知识图谱,知识抽取,语义增强,注意力机制的论文, 主要内容为随着中国城市化进程的加快与执法体系的不断完善,城市管理执法压力逐年增加,对执法人员处理案件的效率和质量提出更高的要求。随着人工智能的不断进步,城市行政执法机关寻求构建一种智慧化、引导式的城市管理格局,知识图谱作为一种结构化语义网络,具有系统的语义处理和开放互联能力,能够很好的组织不同结构数据中的知识信息,为城市治理提供体系化的知识服务。建立城市管理执法领域的知识图谱,通过智能化的事件分析和处理建议,引导城市管理人员做出更加公正、合理的判罚制度,同时提高执法效率,加快智慧化城市建设步伐。信息抽取作为知识图谱构建的核心,知识信息的抽取结果直接影响领域知识库的质量。为确保信息抽取的质量,有必要对现有实体关系抽取方法进行研究。目前,实体关系抽取任务主要使用基于深度学习的方法,本文在深入研究了不同模型结构的前提下,提出了基于分段卷积神经网络的特征增强注意力模型。本文在分段卷积神经网络的基础上,针对语义信息表征和关键特征提取方面做出三点改进,1)引入中文词粒度的预训练模型,生成基于上下文语义的动态词向量,2)词信息融入实体相对距离和词性信息进行句子特征信息增强,3)提出基于关系类别关键词的句子级注意力机制,数据降噪处理和加强关系关键信息学习。针对基线模型和改进点进行对比实验,验证改进方法的有效性,新模型在多类数据集的关系抽取表现上,相对于PCNN模型,整体准确率提升了约7.1%。本文依据提出的关系抽取模型结合实体识别任务实现方式,面向城市管理执法领域,提出了一套完整的知识抽取任务解决方法。基于知识抽取方法设计出B/S架构的知识图谱系统,通过完成对非结构化文本的知识抽取构建领域知识库,并提供知识查询功能,支撑构建智慧化城市管理格局。
基于知识图谱的云服务推荐系统研究与实现
这是一篇关于推荐系统,云服务,领域知识图谱,语义增强的论文, 主要内容为随着云计算相关技术的快速发展,越来越多的信息基础设施与应用被搬上云端,即云服务。现有的云服务商针对客户的上云需求,依赖于人工客服系统提供解决方案,但由于云服务种类繁多、专业性强、产品之间关系复杂,服务效率较低,迫切需要辅助推荐系统的支持。因其具有购买低频性的特点,传统的协同过滤等推荐算法无法发挥效力,而知识图谱因其独有的图形结构,对丰富语义信息表达的支持,为研究云服务推荐提供新思路。因此,本文提出基于知识图谱推荐云服务的方法。重点分析和探索了云服务领域图谱的构建技术,以及基于已构建的领域知识图谱,进一步定义云服务领域概念图谱以增强文本语义理解与搜索答案推荐。本文的主要工作内容如下:1.提出了一种融合云场景的云服务领域本体概念模型。基于自顶向下的方法,重点分析了当前云服务领域的产品以及应用场景解决方案,归纳总结与提炼云服务领域的相关知识特征,完成实体以及关系的划分,设计云服务领域本体概念模型。2.提出了一种针对云服务领域的知识抽取方法。针对云服务领域的数据源特点,按照本体概念模型中实体以及关系的定义,本文综合采用基于规则的方法与基于Bi LSTM-CRF的方法进行命名实体的抽取以及关系的抽取,最后将抽取的实体与关系数据整合,存入Neo4J图数据库,构建云服务知识图谱。3.提出了一种基于知识的云服务推荐方法。本文进一步构建了云服务领域概念图谱,并基于概念图谱和已构建的云服务实体关系知识图谱进行搜索文本的多维度语义增强理解,提出了基于知识的云服务可解释推荐方法以及云场景泛化推荐与样本增强方法。4.基于知识图谱的云服务推荐系统研发。基于以上研究工作,本文开发了一个基于知识图谱的云服务推荐系统,该系统支持云服务个性化搜索推荐、云服务知识查询、云应用场景解决方案查询以及云客户相关云应用案例查询。
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：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/48711.html
