给大家分享8篇关于路径推理的计算机专业论文

今天分享的是关于路径推理的8篇计算机毕业论文范文, 如果你的论文涉及到路径推理等主题,本文能够帮助到你

基于内外部信息的知识图谱推理方法研究

这是一篇关于知识图谱,内外部信息,图神经网络,路径推理的论文, 主要内容为知识图谱推理是通过对观察到的事实进行推理来获得缺失事实,从而对知识图谱进行补全。同时,知识图谱除了包含如路径和不确定性等典型内部信息,也包含着如文本和逻辑规则等丰富的外部信息。内外部信息与模型的融合,能够辅助构建更好的知识表示,从而提高知识图谱推理模型的性能。因此,本文采用基于内外部信息的知识图谱推理方法对知识图谱中存在的不完备问题进行了研究。知识图谱中未知三元组的置信度也是未知的,我们将这种未知称为不确定信息。因此,我们利用三支决策的思想,提出一种结合不确定性知识的知识图谱推理方法。首先,利用K-Nearest Neighbor(KNN)算法得到每个关系的近邻。然后,基于近邻关系将三元组划分成正域、边界域以及负域。最后,根据划分的区域对知识图谱进行表示学习,其中边界域用来表示不确定性知识。针对知识图谱中多跳路径和关系的相似性进行分析,提出了一种考虑知识图谱中路径的序信息以及关系关联性的知识图谱推理方法。该方法全面地度量了关系的相似性,并合并近邻关系的路径。然后在路径建模时引入了关系的位置信息,即在路径中关系向量加入位置编码。针对知识图谱中存在的长尾分布问题,提出了一种结合外部信息和关系关联图的知识图谱推理方法。我们利用预训练语言模型从文本数据中提取可靠的语义信息,并构建关系关联图,通过GCN的消息传播机制来补偿少样本关系的训练样例不足问题,并利用GCN联合学习实体和关系相应的嵌入表示。最后我们在公开的真实数据集上进行验证实验,实验结果表明,本文所提方法与对比方法相比在MRR、MR以及Hits@n等指标上效果有所提升,如在实体预测任务上MRR值提升了37.1%,Hits@n值平均提升了30.89%。即说明了融合内外部信息的知识图谱推理模型的有效性。

基于场站设备数字孪生模型的知识图谱技术研究

这是一篇关于电力知识图谱,数字孪生,路径推理,图注意力网络的论文, 主要内容为尽管当前我国在电力系统领域的运维能力有了显著提升,但在设备运行巡检、人员安全监测、机器人自主作业等方面的应用还存在不足,迫切需要通过电网及其运行环境的实体表示,实现精确的位置映射,实现多源、多类型数据的三维空间分析。数字孪生模型是物理设备或物理模型的虚拟表示模型,即在虚拟空间中完成电网设备三维空间的精确位置映射。随着物联网、人工智能、深度学习等技术的不断发展并且日渐成熟,应用于电网运行、控制、监测等智能化设备所产生的数据呈几何形式暴涨,在构建电网数字孪生模型中虚拟设备所产生的数据也同步为之增长,为此需要借助智能化手段将数字孪生模型中大量异构数据转化为知识,以便在电网发生故障时辅助相关人员快速做出决策清除故障。知识图谱作为一种语义网络,能够对现实世界中的实体、概念、属性及其关系进行建模,具有很强的表达能力和建模灵活性,能够广泛应用设备查询、线路查询、故障查询等简单查询服务,以及智能问答和知识推理服务。本文以电力知识图谱为研究对象,依据其场站规模及其中设备相互间关联复杂度的不同分别提出了两种不同的知识图谱表示学习方法。首先在现有的知识图谱嵌入模型的基础上了解模型的嵌入原理与方程设计思路,然后结合不同场站特点,设计相应的知识图谱知识表示学习方法。针对于大型场站规模大、设备整体数量繁多以及设备间关系复杂的特点,设计了一种基于路径信息和分组特征交互的知识表示学习方法,在模型的嵌入部分采用分组特征交互的方式,将关系看作是头尾实体间的三维空间旋转操作,在一定程度降低了模型参数,提高了模型训练速度;在路径推理方面引入图注意力网络,对不同的路径施加与之对应的影响权重,在一定程度避免了其中干扰,优化了知识推理的效果。针对于小型场站总体设备数量少、结构简单以及设备间关联程度低的特点,设计了一种基于邻域图注意力网络的知识表示学习方法,在已有模型基础上增加了邻域图注意力层,并设计了相对注意力系数,优化了中心节点的邻域内不同邻节点的权重系数并对中心节点做出修正,强化了实体嵌入效果;在嵌入方面考虑到关系对头尾实体的影响,引入了圆周卷积的方式,进一步提高实体与关系的信息交融程度,在有限的信息中去寻求更深层次的特征。通过与多个基准模型的实验结果进行对比,结果表明所设计的模型的实验指标表现结果均优于基准模型。

新冠疫情病例知识图谱的构建及补全

这是一篇关于新冠疫情,知识图谱,知识图谱构建,知识图谱补全,图卷积神经网络,路径推理的论文, 主要内容为自2019年新冠疫情爆发以来,我国已在疫情防控方面采取了很多有效的措施。但目前疫情还没有结束,所以针对加强新冠疫情防控的研究还在进行中。由于新冠病毒传播途径多样、伪装性强,目前主要通过追踪病例的时空数据,找出密接人员,来进行疫情防控。近年来,知识图谱在很多领域都得到了广泛的应用,包括问答系统、搜索引擎、智能语音、推荐系统等。随着知识图谱的发展,本文考虑将知识图谱应用在疫情防控领域,根据病例轨迹信息,构建由新冠疫情病例和城市的POI数据组成的新冠疫情知识图谱,并对缺失感染事件进行补全,可以实现信息溯源、推断高风险地点、发现密接人员等。本文构建的新冠疫情知识图谱是时间知识图谱,与目前存在的大多数知识图谱不同,时间知识图谱是带有时间信息的知识图谱,并且时间知识图谱中的知识通常是暂时有效的。之所以将新冠疫情知识图谱构建为时间知识图谱,主要是因为在新冠疫情中,很多信息都是与时间相关联的,比如说接触病例的时间、访问过某个高风险地区的时间,这都决定着感染新冠病毒的概率。本文还将构建好的新冠疫情知识图谱进行了可视化处理,目的是使得信息可以更直观的体现出来。在构建新冠疫情知识图谱时,我们发现网络上公开发布的病例轨迹信息存在不完整性,这是由很多不可控因素导致的。数据的不完整会导致知识图谱中知识的缺失,会为后续使用新冠疫情知识图谱进行新冠防控研究带来困难。为了找出知识图谱中缺失的部分,需要对构建好的新冠疫情知识图谱进行补全。现有的知识图谱补全模型有很多,如基于知识表示的模型、基于路径推理的模型还有基于强化学习的模型等,但这些模型都是用于静态知识图谱补全工作的,静态知识图谱即没有时间信息的知识图谱。而本文的所构建的新冠疫情知识图谱是时间知识图谱,静态知识图谱尽管在关系推理和下游任务中广泛使用,但仍无法对仅暂时有效的知识和事实进行现实建模。并且,大多数现有的时间知识图谱补全模型扩展了静态知识图谱嵌入,它们没有充分利用时间知识图谱结构,因此缺乏考虑已经存在于查询的本地邻域中的时间相关事件,并且在推理的过程中缺乏可解释性。由此,本文中提出了一个新的用于新冠疫情知识图谱补全的模型:T-WGPR,该模型主要分为两个部分,一部分是编码器,一部分是解码器。在T-WGPR的编码器中,通过利用具有注意力机制的图卷积神经网络关注每个事件和查询时间戳之间的时间位移来编码新冠疫情知识图谱的查询特定子结构,然后通过在图上传播注意力的解码器来执行基于路径的推理。最后,本文使用了构建好的新冠疫情知识图谱对提出的知识图谱补全模型进行了实验,通过实验结果可以表明,本文提出的模型与现有的知识图谱补全模型相比在每个评估指标上平均提高10%左右。

新冠疫情病例知识图谱的构建及补全

基于知识图谱的复杂多跳问答方法研究

这是一篇关于知识图谱,多跳问答,关系分布,路径推理,子图检索的论文, 主要内容为知识图谱实现了对现实世界中客观事实的映射。面对海量的事实数据,基于知识图谱的问答技术实现了对其有效地检索,因而被广泛应用于人工智能等领域。在知识图谱问答中,用户能够快速而精准地查询答案。为了更加符合现实场景需求,问答任务往往需要经过复杂多跳地推理。但就目前而言,提升复杂多跳问答任务的准确率依旧是知识图谱问答研究中的一个挑战。首先,问答推理模型在面对复杂多跳问题时表现能力不足。其次,问答推理模型的推理能力依赖于问题特定子图的优劣。对问题特定子图的规模与答案覆盖率之间的权衡,影响着问答推理模型的准确率。针对上述问题,本文首先构建了一个以关系语义信息和神经网络结构为基础的隐式推理模型,用以提升知识图谱问答任务解决复杂多跳问题的能力。其次,本文构建了一个子图检索模型,通过双向路径推理生成精简的子图,从而提升知识图谱问答的准确率。本文主要工作及创新点如下:(1)针对问答推理模型在复杂多跳问题上表现不足的问题,提出基于关系分布的隐式推理模型。在知识图谱问答中,推理链路是自然语言问题的一种变形,而推理链路中的中间实体信息与自然语言问题无关,会带来语义的嘈杂性。基于此,本研究将知识图谱问答任务的推理聚焦于推理链路中关系的语义表示。此外,模型使用神经网络架构隐式地执行推理,用于聚合关系的语义信息。最后,本文将模型在当前流行的问答数据集上进行实验验证。实验结果表明,基于关系分布的隐式推理模型取得了优于基线模型的效果。(2)针对问题特定子图的规模与答案覆盖率之间难以权衡的问题,提出基于双向路径推理的子图检索模型。在知识图谱问答中,精简程度低的子图包含较多的嘈杂节点,过于精简的子图遗失了答案节点。基于此,本研究首先对子图中的关系初步过滤,然后从正向与逆向的角度判定路径与问题相关性,从而对子图进行检索并实现子图的精简化。实验结果表明,该模型检索的子图优于基线模型,且将子图反馈至推理模型中验证后,问答推理模型的准确率也有所提升。

基于知识图谱嵌入和路径推理的农业多跳问答模型研究

这是一篇关于知识图谱嵌入,对比学习,农业知识图谱多跳问答,路径推理的论文, 主要内容为在大数据时代,快速精准地帮助用户从海量数据中找到所需的信息显得至关重要。近年来,问答技术备受专家们的高度关注和深入研究,智能问答系统在多个领域得到广泛应用。其中在农业领域,问答系统可以帮助农民或农业研究者方便快捷地获取农业知识,用来指导农业生产和研究。国内外已有研究者提出了一些基于农业知识图谱的问答方法,目前,这些方法大多数都只能用来回答简单的问题。但实际应用场景中,用户的提问更倾向于表述复杂的多跳问题,简单的知识问答通常无法满足用户需求,因此,具备较强推理能力的多跳问答模型成为当前该领域亟需解决的问题之一。针对上述问题,本文以农业领域知识为背景,研究基于知识图谱的多跳问答方法。本论文的主要研究工作如下:(1)设计一种融合对比学习和注意力的知识图谱嵌入表示模型Compl Ex＿CLA。在Compl Ex嵌入模型训练阶段加入对比损失和注意力,来缩短不同三元组中相关实体和实体-关系对之间的语义距离,更好的捕获实体之间的高阶关系,进而提高知识图谱嵌入的表示能力。通过在多个不同规模的数据集上实验,验证了论文所提模型的链路预测能力,同时完成了三个知识图谱数据集的嵌入表示学习训练,为下游任务问答模型研究奠定了基础。(2)设计一种基于知识图谱嵌入和路径推理的多跳问答模型KEPRQA。在知识图谱嵌入模块使用Compl Ex＿CLA模型,更充分的学习知识图谱的语义信息表示,在答案推理阶段,利用知识图谱嵌入和路径推理的弱监督训练,通过预测知识图谱中隐含的中间关系来实现多跳问答任务推理。在私有的农业数据集和多个公开数据集上进行实验,取得了良好的效果。(3)设计并实现基于知识图谱的水稻病虫害问答原型系统。以本文提出的知识图谱多跳问答模型为基础,设计并实现水稻病虫害问答系统的基本功能。本系统在完成常规问答的基础上,同时实现了半人工化对系统数据动态更新维护功能,系统管理人员可及时对知识图谱数据、问句数据实现管理维护,系统测试检验了系统的实用性和可靠性。