淠河流域水库群防洪调度知识图谱构建研究
这是一篇关于知识图谱,知识存储,防洪调度的论文, 主要内容为水库群防洪调度纷繁复杂,水情,工情等数据的支撑。而这些数据多源异构,数据交换共享不畅,往往存储部门多,数据格式多,不便查询和访问。并且在防洪调度决策中,对知识的需求量大,对检索速度要求快,对知识的关联程度要求高。为此,全面的掌握信息,有效组织与表示防洪调度知识,充分挖掘数据价值,是亟需解决的问题。目前已经进入大数据时代,如何处理海量数据并从中挖掘知识成为研究的热点,知识图谱的出现改变了这种现状,它能构建一张方便人类和计算机“阅读”的知识网。防洪调度知识图谱构建是进行汛前防洪调度决策和调度方案编制的基础,也是利用人工智能领域的知识图谱技术对防洪调度知识管理的创新。本文构建淠河流域水库群防洪调度知识图谱,从智能知识支持的角度研究辅助防洪调度决策的方法。防洪调度知识图谱的构建包括知识建模、知识抽取、知识存储、知识应用。主要研究内容如下:(1)本体模型的构建:基于获取到的数据,以防洪预报调度信息为基础,进行模式层的建立,采取斯坦福大学提出的七步法半自动化的构建防洪调度知识图谱的模式层,把模式层分为预报节点(水库、断面、闸坝)、水文监测站点、防洪工程、防洪保护对象、控制区域、预报模型共六个本体类型。并在专家的指导下对其属性关系进行定义。(2)数据层的构建:以构建好的模式层为约束,对数据知识进行抽取,结构化数据采用D2RQ工具转为RDF形式。非结构化数据利用BILSTM-CRF模型对文本进行处理。将抽取出来的数据存储到Neo4j数据库中构成防洪调度知识图谱。(3)图谱应用:对业务情景特征进行分析,设计知识匹配搜索功能及查询界面,并以Echarts工具对知识图谱可视化展示。基于构建的防洪调度知识图谱,进行其知识匹配功能应用设计,通过分析业务情景和用户特点,全面、快速、准确的获取所需要的知识,实现领域知识的智能获取,辅助决策。
基于自然语言处理技术的学术知识图谱研究与实现
这是一篇关于知识图谱,自然语言处理,数据获取与预处理,知识抽取,知识存储的论文, 主要内容为数据大爆炸时代,各行各业面临着全面化数字转型的挑战,如何挖掘数据间的内在关联,直观展示数据间的关系成为关键。在学术领域,每年都有无数学者发布诸多学术论文,每个学术网站都有大量各自为政的数据,数据孤岛虽有利于数据维护和控制,但是会降低数据质量、数据查看速度和数据分析的准确性。目前较为主流的查看教师发表论文情况、教师间合作关系及引用关系、论文详情的方法是在学术网站上通过网页展示查看获取学术信息。但教师之间合作关系、引用关系繁多,网页展示不足以让浏览者在脑海中建立起清晰的学术知识结构,直观了解情况。而知识图谱作为近些年的研究热潮,可以添加各种关联和关系,将数据孤岛串联起来,提供一个完整可见的数据查询视图。特别是在学术领域,知识图谱可以将复杂繁多的学术信息,包括学者信息和论文信息,成体系地展示出来,改变原来学术知识查询结果以网页文字展示的模式。并且,由于知识图谱的特性,可以使得学术知识查询变得简单快捷,教师之间的学术关系也能清晰直观地展现。因此本文设计实现一种可视化的学术知识图谱平台,用来解决学术知识结构化展示与整合的问题。本文主要工作如下:首先是数据源获取与预处理工作,本环节主要提取了高校网站教师主页的非结构化文本信息,以及学术网站包括百度学术和DBLP网页上的结构化和半结构化学术数据。其次是学术知识获取工作。在定义好本体后,对于学术网站上的半结构化数据和结构化数据,直接使用Jsoup框架爬取出学术知识三元组;对于非结构化文本数据,本文研究探索了基于自然语言处理的Bi LSTM-CRF训练模型,并利用其进行实体抽取实验。实体关系抽取环节,采用句法依存分析法从文本语句中抽取出实体的关系。知识表示与存储阶段利用RDF三元组表示方式结合Neo4j图数据库的方式完成。最后,利用知识三元组实现了学术知识图谱可视化平台的搭建。系统底层数据模块使用了图数据库存储与查询技术,后端使用Spring Boot框架,前端使用Echarts工具对查询到的数据进行渲染,最终以“节点-关系-节点”关系图的形式展示,同时完成了教师和论文的查询模块和信息展示模块。
基于自然语言处理技术的学术知识图谱研究与实现
这是一篇关于知识图谱,自然语言处理,数据获取与预处理,知识抽取,知识存储的论文, 主要内容为数据大爆炸时代,各行各业面临着全面化数字转型的挑战,如何挖掘数据间的内在关联,直观展示数据间的关系成为关键。在学术领域,每年都有无数学者发布诸多学术论文,每个学术网站都有大量各自为政的数据,数据孤岛虽有利于数据维护和控制,但是会降低数据质量、数据查看速度和数据分析的准确性。目前较为主流的查看教师发表论文情况、教师间合作关系及引用关系、论文详情的方法是在学术网站上通过网页展示查看获取学术信息。但教师之间合作关系、引用关系繁多,网页展示不足以让浏览者在脑海中建立起清晰的学术知识结构,直观了解情况。而知识图谱作为近些年的研究热潮,可以添加各种关联和关系,将数据孤岛串联起来,提供一个完整可见的数据查询视图。特别是在学术领域,知识图谱可以将复杂繁多的学术信息,包括学者信息和论文信息,成体系地展示出来,改变原来学术知识查询结果以网页文字展示的模式。并且,由于知识图谱的特性,可以使得学术知识查询变得简单快捷,教师之间的学术关系也能清晰直观地展现。因此本文设计实现一种可视化的学术知识图谱平台,用来解决学术知识结构化展示与整合的问题。本文主要工作如下:首先是数据源获取与预处理工作,本环节主要提取了高校网站教师主页的非结构化文本信息,以及学术网站包括百度学术和DBLP网页上的结构化和半结构化学术数据。其次是学术知识获取工作。在定义好本体后,对于学术网站上的半结构化数据和结构化数据,直接使用Jsoup框架爬取出学术知识三元组;对于非结构化文本数据,本文研究探索了基于自然语言处理的Bi LSTM-CRF训练模型,并利用其进行实体抽取实验。实体关系抽取环节,采用句法依存分析法从文本语句中抽取出实体的关系。知识表示与存储阶段利用RDF三元组表示方式结合Neo4j图数据库的方式完成。最后,利用知识三元组实现了学术知识图谱可视化平台的搭建。系统底层数据模块使用了图数据库存储与查询技术,后端使用Spring Boot框架,前端使用Echarts工具对查询到的数据进行渲染,最终以“节点-关系-节点”关系图的形式展示,同时完成了教师和论文的查询模块和信息展示模块。
面向海战场的知识建模与知识图谱构建研究与设计
这是一篇关于海战场,本体,知识建模,知识抽取,知识存储的论文, 主要内容为随着海战场信息化技术的开展,军事应用需求对海战场知识存储和挖掘提出了更高的要求。海战场数据包括水面、水下、上空和岛屿等海量空间数据,兼具装备、态势、事件等诸多类型,知识图谱技术弥补了传统数据库海量数据处理困难、建模方式不灵活、表现形式不直观、数据利用率低的不足,可提供海战场数据在军事指挥方面的重要知识参考。然而,知识图谱在海战场领域的应用并不成熟,较为完备的海战场知识系统亟需构建。本文以知识建模方法和知识图谱技术为主要技术点,构建面向海战场的知识模型和原型系统。本文主要工作如下:1)提出新的知识建模方法——基于需求的螺旋反馈法为解决面向海战场的知识模型构建问题,针对该知识体系军事需求较强的特点,提出七步法与螺旋模型相结合的基于需求的螺旋反馈法,完成了包含海战活动、海战装备、军事政治事件、专家先验知识等核心概念的海战场领域本体知识模型的构建。2)面向海战场的知识抽取为摆脱对人工定义特征的依赖,提高实体抽取效率,基于CBOW模型和BIO规则进行数据预处理,选择BiLSTM-CRF模型实现海战场数据实体抽取;针对海战场公开数据较少的问题,基于依存句法分析构建面向海战场的种子模板,选取Bootstrapping算法实现关系抽取。3)面向海战场的知识图谱实现与应用为满足海战场数据管理需要,借助Neo4j图数据库平台实现实体和实体间关系的存储,展示知识图谱可视化和查询效果,同时也展现了面向海战场的知识图谱在智能搜索、知识问答、智能推荐和作为解释机制方面的应用价值。
基于自然语言处理技术的学术知识图谱研究与实现
这是一篇关于知识图谱,自然语言处理,数据获取与预处理,知识抽取,知识存储的论文, 主要内容为数据大爆炸时代,各行各业面临着全面化数字转型的挑战,如何挖掘数据间的内在关联,直观展示数据间的关系成为关键。在学术领域,每年都有无数学者发布诸多学术论文,每个学术网站都有大量各自为政的数据,数据孤岛虽有利于数据维护和控制,但是会降低数据质量、数据查看速度和数据分析的准确性。目前较为主流的查看教师发表论文情况、教师间合作关系及引用关系、论文详情的方法是在学术网站上通过网页展示查看获取学术信息。但教师之间合作关系、引用关系繁多,网页展示不足以让浏览者在脑海中建立起清晰的学术知识结构,直观了解情况。而知识图谱作为近些年的研究热潮,可以添加各种关联和关系,将数据孤岛串联起来,提供一个完整可见的数据查询视图。特别是在学术领域,知识图谱可以将复杂繁多的学术信息,包括学者信息和论文信息,成体系地展示出来,改变原来学术知识查询结果以网页文字展示的模式。并且,由于知识图谱的特性,可以使得学术知识查询变得简单快捷,教师之间的学术关系也能清晰直观地展现。因此本文设计实现一种可视化的学术知识图谱平台,用来解决学术知识结构化展示与整合的问题。本文主要工作如下:首先是数据源获取与预处理工作,本环节主要提取了高校网站教师主页的非结构化文本信息,以及学术网站包括百度学术和DBLP网页上的结构化和半结构化学术数据。其次是学术知识获取工作。在定义好本体后,对于学术网站上的半结构化数据和结构化数据,直接使用Jsoup框架爬取出学术知识三元组;对于非结构化文本数据,本文研究探索了基于自然语言处理的Bi LSTM-CRF训练模型,并利用其进行实体抽取实验。实体关系抽取环节,采用句法依存分析法从文本语句中抽取出实体的关系。知识表示与存储阶段利用RDF三元组表示方式结合Neo4j图数据库的方式完成。最后,利用知识三元组实现了学术知识图谱可视化平台的搭建。系统底层数据模块使用了图数据库存储与查询技术,后端使用Spring Boot框架,前端使用Echarts工具对查询到的数据进行渲染,最终以“节点-关系-节点”关系图的形式展示,同时完成了教师和论文的查询模块和信息展示模块。
面向网络不良信息的知识图谱构建方法研究
这是一篇关于知识抽取,知识图谱,知识存储,深度置信网络的论文, 主要内容为随着信息产业的发展,网络在给大家提供信息服务的同时也带来了一定的安全隐患。而现在的网络信息检测和过滤形式单一,无法满足信息产业发展的需要。而近年来知识图谱在信息检索中的高速发展为不良信息的检索和过滤带来了新的契机。所以本文提出了面向网络不良信息知识图谱构建方法的课题研究。本课题在现有的技术和算法基础上,进行面向网络不良信息的知识图谱的构建方法研究。本文的整体构建流程包含了数据的采集、知识的抽取和图谱的构建三部分的工作。在知识图谱构建的过程中所研究的主要内容如下:(1)研究了面向网络不良信息构建知识图谱的方法。基于现阶段知识图谱构建的发展现状结合本课题网络不良信息的数据源,总结出面向网络不良信息的知识图谱构建方法和步骤。在知识图谱的构建过程中使用自顶向下和自底向上相结合的方法。采用自顶向下的方式构建知识图谱的模式层(schema),而采用自底向上的方式构建知识图谱的数据层(data)。(2)研究基于深度置信网络的知识抽取算法。在非结构化文本的知识抽取阶段本文使用了基于深度置信网络的算法模型,该模型需要将词的特征向量和神经元节点等作为参数输入参数。所以需要先使用哈工大的语言云平台将语料进行了分词和词性标注处理,然后将处理后的语料使用Google的word2vec工具进行词特征向量提取。(3)实现知识图谱的构建和存储。本文针对网络不良信息进行了知识图谱的构建。文中通过采集中文维基百科、搜狗百科的实体分类结合相应的知识推理构建了知识图谱的模式层,而数据层的构建部分和数据采集时实体的分类信息密不可分。最后将融合好的数据信息录入到图数据库Neo4j之中。
基于自然语言处理技术的学术知识图谱研究与实现
这是一篇关于知识图谱,自然语言处理,数据获取与预处理,知识抽取,知识存储的论文, 主要内容为数据大爆炸时代,各行各业面临着全面化数字转型的挑战,如何挖掘数据间的内在关联,直观展示数据间的关系成为关键。在学术领域,每年都有无数学者发布诸多学术论文,每个学术网站都有大量各自为政的数据,数据孤岛虽有利于数据维护和控制,但是会降低数据质量、数据查看速度和数据分析的准确性。目前较为主流的查看教师发表论文情况、教师间合作关系及引用关系、论文详情的方法是在学术网站上通过网页展示查看获取学术信息。但教师之间合作关系、引用关系繁多,网页展示不足以让浏览者在脑海中建立起清晰的学术知识结构,直观了解情况。而知识图谱作为近些年的研究热潮,可以添加各种关联和关系,将数据孤岛串联起来,提供一个完整可见的数据查询视图。特别是在学术领域,知识图谱可以将复杂繁多的学术信息,包括学者信息和论文信息,成体系地展示出来,改变原来学术知识查询结果以网页文字展示的模式。并且,由于知识图谱的特性,可以使得学术知识查询变得简单快捷,教师之间的学术关系也能清晰直观地展现。因此本文设计实现一种可视化的学术知识图谱平台,用来解决学术知识结构化展示与整合的问题。本文主要工作如下:首先是数据源获取与预处理工作,本环节主要提取了高校网站教师主页的非结构化文本信息,以及学术网站包括百度学术和DBLP网页上的结构化和半结构化学术数据。其次是学术知识获取工作。在定义好本体后,对于学术网站上的半结构化数据和结构化数据,直接使用Jsoup框架爬取出学术知识三元组;对于非结构化文本数据,本文研究探索了基于自然语言处理的Bi LSTM-CRF训练模型,并利用其进行实体抽取实验。实体关系抽取环节,采用句法依存分析法从文本语句中抽取出实体的关系。知识表示与存储阶段利用RDF三元组表示方式结合Neo4j图数据库的方式完成。最后,利用知识三元组实现了学术知识图谱可视化平台的搭建。系统底层数据模块使用了图数据库存储与查询技术,后端使用Spring Boot框架,前端使用Echarts工具对查询到的数据进行渲染,最终以“节点-关系-节点”关系图的形式展示,同时完成了教师和论文的查询模块和信息展示模块。
基于自然语言处理技术的学术知识图谱研究与实现
这是一篇关于知识图谱,自然语言处理,数据获取与预处理,知识抽取,知识存储的论文, 主要内容为数据大爆炸时代,各行各业面临着全面化数字转型的挑战,如何挖掘数据间的内在关联,直观展示数据间的关系成为关键。在学术领域,每年都有无数学者发布诸多学术论文,每个学术网站都有大量各自为政的数据,数据孤岛虽有利于数据维护和控制,但是会降低数据质量、数据查看速度和数据分析的准确性。目前较为主流的查看教师发表论文情况、教师间合作关系及引用关系、论文详情的方法是在学术网站上通过网页展示查看获取学术信息。但教师之间合作关系、引用关系繁多,网页展示不足以让浏览者在脑海中建立起清晰的学术知识结构,直观了解情况。而知识图谱作为近些年的研究热潮,可以添加各种关联和关系,将数据孤岛串联起来,提供一个完整可见的数据查询视图。特别是在学术领域,知识图谱可以将复杂繁多的学术信息,包括学者信息和论文信息,成体系地展示出来,改变原来学术知识查询结果以网页文字展示的模式。并且,由于知识图谱的特性,可以使得学术知识查询变得简单快捷,教师之间的学术关系也能清晰直观地展现。因此本文设计实现一种可视化的学术知识图谱平台,用来解决学术知识结构化展示与整合的问题。本文主要工作如下:首先是数据源获取与预处理工作,本环节主要提取了高校网站教师主页的非结构化文本信息,以及学术网站包括百度学术和DBLP网页上的结构化和半结构化学术数据。其次是学术知识获取工作。在定义好本体后,对于学术网站上的半结构化数据和结构化数据,直接使用Jsoup框架爬取出学术知识三元组;对于非结构化文本数据,本文研究探索了基于自然语言处理的Bi LSTM-CRF训练模型,并利用其进行实体抽取实验。实体关系抽取环节,采用句法依存分析法从文本语句中抽取出实体的关系。知识表示与存储阶段利用RDF三元组表示方式结合Neo4j图数据库的方式完成。最后,利用知识三元组实现了学术知识图谱可视化平台的搭建。系统底层数据模块使用了图数据库存储与查询技术,后端使用Spring Boot框架,前端使用Echarts工具对查询到的数据进行渲染,最终以“节点-关系-节点”关系图的形式展示,同时完成了教师和论文的查询模块和信息展示模块。
基于知识图谱的无人机集群目标推演技术研究
这是一篇关于知识图谱,命名实体识别,关系抽取,知识存储,知识推演的论文, 主要内容为作为人工智能重要组成部分的知识图谱以符号形式描述现实世界中的概念、实体、及实体之间的关系,从而提供了从关系的角度去分析与解决问题的能力,让知识可被访问(搜索)、可被查询(问答)、可被支持行动(决策)。此外,知识图谱的推演技术是最核心的技术之一,通过对知识图谱中未知的知识进行推演,能够扩展知识图谱的深度与广度,解决知识图谱不全面、不完备的问题,实现知识图谱的自动更新和自我完善。因此,将知识图谱及基于知识图谱的推演技术应用到无人机集群目标推演场景中,极大提升无人机的自主性和智能化水平。针对设备领域的本体和知识图谱的自动化构建问题,本文提出一种基于双向长短期记忆神经网络并结合条件随机场的实体抽取模型(BiLSTM-CRF)和基于注意力机制的神经网络关系抽取模型(BiLSTM-Attention),并对模型进行实现。实验表明,BiLSTM-CRF模型的准确率相比于CRF模型提高了 11.50%,BiLSTM-Attention模型的F1值相比于CNN模型提高了 8.21%。此外,针对现有的远程监督关系抽取模型存在语义丢失和噪音干扰等不足,本文提出一种基于双向门控循环单元和多层次注意力机制的关系抽取模型,并详细介绍了该模型的组成,通过对知识图谱中的隐含关系进行预测,从而补全和完善知识图谱。最后,设计并实现知识推演系统,并将构建的装备知识图谱和远程监督关系抽取模型应用于系统中。此外,本文提出一种基于知识图谱的多维特征协同推演识别算法,通过融合多种特征后推演出目标装备的型号,实现无人机集群自主识别的任务。通过对知识推演系统进行功能测试和性能测试,证明本文所构建的知识图谱的有效性和推演识别算法的高效性。
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：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/56179.html
