基于概率推理的知识图谱关联实体查询处理
这是一篇关于知识图谱,关联实体,关联规则,贝叶斯网,概率推理的论文, 主要内容为知识图谱(Knowledge Graph,KG)的关联实体查询任务旨在为用户输入的查询实体推荐最相关的实体集合。近年来,随着KG在辅助智能问答、智能搜索和推荐计算等多个方面展现出丰富的应用价值,关联实体查询成为KG研究的热点与关键。同时,大量的用户与实体交互的数据(如用户对商品实体的购买)基于KG相关的下游应用快速产生,称为用户-实体数据。在KG中没有显式关联的实体集,实际上可能在用户-实体数据中彼此关联。因此,如何利用用户-实体数据中蕴含的实体信息作为KG关联实体查询任务的补充具有重要意义。本文基于已有KG,以贝叶斯网(Bayesian network,BN)这一重要概率图模型作为分析KG实体在用户-实体数据中不确定依赖关系的表示和推理框架,以提高KG关联实体查询处理的准确性。具体而言,通过用户-实体数据挖掘关联规则,构建描述KG实体依赖关系的关联实体贝叶斯网(Association entity Bayesian network,AEBN)。基于AEBN,可将关联实体查询问题转换为概率推理问题,并通过AEBN的概率推理来定量评估实体间的关联强度,作为关联实体进行排序的依据。本文的主要工作概括如下:(1)针对查询实体,设计加权函数来计算实体的权值,以抽取一组可能与查询实体在数据中关联的候选实体。基于经典的关联规则挖掘,从用户-实体数据获得描述查询实体与候选实体集依赖关系的查询实体规则。(2)为了构建AEBN的结构,将查询实体规则表示为Horn子句并等价地转换为有向无环图(Directed acyclic graph,DAG)。此外,通过对用户-实体数据中频繁实体的频率进行归一化,以及每个节点的Horn子句指定的逻辑约束来计算条件概率表(Conditional probability table,CPT)。(3)为了高效地得到关联实体排序,同时便于扩展到大规模KG的关联实体查询,本文基于拒绝采样算法来给出AEBN的近似推理算法。近似推理的结果作为实体间的关联度,并以关联度大小为依据降序排列获得关联实体。(4)基于两个真实数据集对关联实体查询和AEBN的构建进行了实验测试,实验结果验证了本文方法的有效性和可行性。为了完善本文的研究工作,设计并实现了AEBN原型系统,来说明本文提出方法的实用性。
基于贝叶斯网的知识图谱链接预测
这是一篇关于知识图谱,链接预测,数据结合,贝叶斯网,概率推理,相似性的论文, 主要内容为近年来,信息技术不断完善,语义网技术不断成熟,传统的文本搜索逐步转向语义搜索,知识图谱(KG,Knowledge Graph)也随之发展成为工业界和学术界的研究热点。结合外部数据集(例如,标签数据集),基于概率图模型进行知识图谱的链接预测,即知识图谱中缺失信息的发现和还原,是目前知识图谱领域研究的热点和关键。本文以电子商务应用为背景,基于已经构建好的描述用户兴趣的知识图谱,结合外部数据集,以贝叶斯网这一重要概率图模型作为不同商品之间相似性及其不确定性的表示和推理框架,通过对商品属性进行统计计算,构建反映商品之间相似关系的贝叶斯网,进而利用近似推理方法,判断商品实体节点与用户实体节点之间存在链接的真实性,得到更为完整和真实的知识图谱,为个性化推荐和关联查询提供依据。具体而言,本文的主要工作如下:(1)现有KG中属性节点信息单一,描述实体属性的数据不够充分,而现实世界中含有大量与用户KG相关联的外部知识——标签数据集。本文以电子商务应用为背景,针对已经构建好的描述用户兴趣的KG,KG中的实体对应为商品实体,将KG中信息和外部数据集相结合,基于商品之间相似性构建了用于KG链接预测的LBN(LBN,Link Bayesian Network),提高链接预测的准确性。(2)针对LBN模型构建问题,对于结构学习,本文基于商品实体之间的相似性来构建包含商品节点的模型结构;对于参数学习,我们选择常用的极大似然估计算法来计算条件概率表。(3)为了实现高效发现LBN中具有相似关系的商品节点,同时便于扩展到大规模KG,我们利用贝叶斯网的概率推理机制,给出基于Gibbs采样算法的LBN概率推理,量化了未知链接真实存在的可能性,基于此实现了 KG链接预测。(4)基于MovieLens站点数据,本文实现并测试了LBN的构建、近似推理方法,同时验证了链接预测的有效性。为了完善我们的研究内容,我们根据本文提出的方法,基于Web服务设计了“基于贝叶斯网的知识图谱链接预测”原型系统。
基于概率推理的知识图谱链接预测
这是一篇关于知识图谱,链接预测,贝叶斯网,Horn子句,概率推理的论文, 主要内容为知识图谱(Knowledge Graph,KG)以强大的语义处理能力与开放互联能力成为人工智能领域研究的热点。然而,KG中的知识并不完善,部分实体之间缺少链接,导致KG的使用受到极大的限制。KG的链接预测任务旨在为实体间缺失的链接进行预测,其中,根据KG中的知识计算实体间存在链接的可能性,预测缺失的实体链接,是KG链接预测的核心任务之一,也是本文研究的链接预测问题。KG中的实体之间存在着相互依赖关系,且具有不确定性,如何描述不同实体间的隐含链接关系、并对其存在的可能性进行定量度量,是准确预测实体间存在链接的重要保证。基于规则挖掘发现缺失链接是一种有效的KG链接预测方法,然而,该方法不能有效发现实体间隐含的关联关系并对其进行量化,难以全面准确地实现KG的链接预测任务。为此,本文以描述实体间隐含关联关系并度量链接存在的可能性为目标,基于AMIE算法挖掘KG中的规则,并将其转换为Horn子句。进一步,以贝叶斯网(Bayesian Network,BN)这一概率图模型作为描述KG实体间不确定依赖关系的表示和推理框架,利用Horn子句构建描述实体间相互关联的规则链接贝叶斯网(Rule-Link Bayesian Network,RLBN)。把KG的链接预测任务转换成RLBN的概率推理任务、计算实体间的关联度,作为链接存在的依据从而实现链接预测任务。本文的主要工作概括如下:(1)针对查询实体,利用AMIE算法挖掘KG中描述查询实体与候选实体集依赖关系的逻辑规则,设计加权函数计算规则的权值,并提出了抽取最优规则关联实体集的分支限界算法,获取与查询实体关联的实体集。(2)为了构建RLBN的结构,将查询实体的规则关联实体集表示为Horn子句并等价地转换为有向无环图。此外,提出概率分配函数并利用Horn子句中的逻辑约束来计算各节点的条件概率表。(3)为了高效地完成链接预测任务,本文基于BN推理机制提出RLBN的近似推理算法,计算实体间的关联度,并将其作为预测链接存在性的依据。(4)基于不同规模、类型的数据集上,选择多组对比方法,对RLBN的链接预测方法及模型的构建进行了实验测试,实验验证了模型的有效性和高效性,并且为了更加直观地展示RLBN模型,本文设计并实现了简单的模型原型系统。
基于自编码器的贝叶斯网嵌入及概率推理
这是一篇关于贝叶斯网,概率推理,图嵌入,自编码器,注意力机制的论文, 主要内容为近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网(Bayesian Network,BN)作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:(1)为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点(即父节点和子节点)的相关性生成节点的嵌入向量。(2)针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。(3)为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。
基于自编码器的贝叶斯网嵌入及概率推理
这是一篇关于贝叶斯网,概率推理,图嵌入,自编码器,注意力机制的论文, 主要内容为近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网(Bayesian Network,BN)作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:(1)为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点(即父节点和子节点)的相关性生成节点的嵌入向量。(2)针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。(3)为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。
基于自然语言的移动机器人任务理解研究与实现
这是一篇关于移动机器人,语义解析,grounding,逻辑推理,概率推理,人机交互的论文, 主要内容为本文研究的移动机器人属于一种服务机器人,任务理解是用于服务机器人的一项关键技术。任务理解就是实现将用户自然语言表达的任务转化为机器人可以执行的原子动作的过程,它包含了两个方面,第一是人机交互,第二是任务规划。本文重点研究人机交互过程,该过程的困难主要表现在语言理解上。语言理解首先要解决指令解析的问题。目前解决机器人指令解析问题的方法或者依赖于人工编制的规则库,不具有学习和预测能力,或者依赖于相当数量的训练数据,而获取成百上千的人—机器人交互数据又是十分困难的。本文设计了一种基于句子相似度的解析算法,该算法能够有效解决样本缺乏的问题,相比于支持向量机和递归神经网络模型,该算法在FBM3数据集上的效果具有明显提升。语言理解的另一项困难在于,通过语义解析获得的语义表示必须与机器人工作环境中的具体对象进行映射,这样机器人才能进行任务的执行,该过程被称为grounding处理。为了解决语义本体与具体对象之间的grounding问题,本文结合知识图谱改进了一种grounding函数,获得了较好的分类效果。机器人的人机交互还需要解决对话管理的问题,对话管理是机器人进行决策的过程。本文在前人研究的基础上设计了基于贝叶斯网络的决策方法,解决了多影响因子环境中机器人的决策问题。最后,针对本文中的移动机器人工作在特定领域,缺乏任务分解的开放知识,采用手写任务语义知识的方法解决了任务规划的问题。本文的主要贡献和创新点包括:设计了一种基于依存语法的句子相似度计算方法和语义解析方法,解决了机器人小样本数据集上的语义解析问题;利用贝叶斯网络进行概率推理,解决了多影响因子环境中的决策问题;结合知识图谱改进了grounding函数,解决了语义本体与具体对象之间的grounding问题。
基于自然语言的移动机器人任务理解研究与实现
这是一篇关于移动机器人,语义解析,grounding,逻辑推理,概率推理,人机交互的论文, 主要内容为本文研究的移动机器人属于一种服务机器人,任务理解是用于服务机器人的一项关键技术。任务理解就是实现将用户自然语言表达的任务转化为机器人可以执行的原子动作的过程,它包含了两个方面,第一是人机交互,第二是任务规划。本文重点研究人机交互过程,该过程的困难主要表现在语言理解上。语言理解首先要解决指令解析的问题。目前解决机器人指令解析问题的方法或者依赖于人工编制的规则库,不具有学习和预测能力,或者依赖于相当数量的训练数据,而获取成百上千的人—机器人交互数据又是十分困难的。本文设计了一种基于句子相似度的解析算法,该算法能够有效解决样本缺乏的问题,相比于支持向量机和递归神经网络模型,该算法在FBM3数据集上的效果具有明显提升。语言理解的另一项困难在于,通过语义解析获得的语义表示必须与机器人工作环境中的具体对象进行映射,这样机器人才能进行任务的执行,该过程被称为grounding处理。为了解决语义本体与具体对象之间的grounding问题,本文结合知识图谱改进了一种grounding函数,获得了较好的分类效果。机器人的人机交互还需要解决对话管理的问题,对话管理是机器人进行决策的过程。本文在前人研究的基础上设计了基于贝叶斯网络的决策方法,解决了多影响因子环境中机器人的决策问题。最后,针对本文中的移动机器人工作在特定领域,缺乏任务分解的开放知识,采用手写任务语义知识的方法解决了任务规划的问题。本文的主要贡献和创新点包括:设计了一种基于依存语法的句子相似度计算方法和语义解析方法,解决了机器人小样本数据集上的语义解析问题;利用贝叶斯网络进行概率推理,解决了多影响因子环境中的决策问题;结合知识图谱改进了grounding函数,解决了语义本体与具体对象之间的grounding问题。
基于贝叶斯网的知识图谱链接预测
这是一篇关于知识图谱,链接预测,数据结合,贝叶斯网,概率推理,相似性的论文, 主要内容为近年来,信息技术不断完善,语义网技术不断成熟,传统的文本搜索逐步转向语义搜索,知识图谱(KG,Knowledge Graph)也随之发展成为工业界和学术界的研究热点。结合外部数据集(例如,标签数据集),基于概率图模型进行知识图谱的链接预测,即知识图谱中缺失信息的发现和还原,是目前知识图谱领域研究的热点和关键。本文以电子商务应用为背景,基于已经构建好的描述用户兴趣的知识图谱,结合外部数据集,以贝叶斯网这一重要概率图模型作为不同商品之间相似性及其不确定性的表示和推理框架,通过对商品属性进行统计计算,构建反映商品之间相似关系的贝叶斯网,进而利用近似推理方法,判断商品实体节点与用户实体节点之间存在链接的真实性,得到更为完整和真实的知识图谱,为个性化推荐和关联查询提供依据。具体而言,本文的主要工作如下:(1)现有KG中属性节点信息单一,描述实体属性的数据不够充分,而现实世界中含有大量与用户KG相关联的外部知识——标签数据集。本文以电子商务应用为背景,针对已经构建好的描述用户兴趣的KG,KG中的实体对应为商品实体,将KG中信息和外部数据集相结合,基于商品之间相似性构建了用于KG链接预测的LBN(LBN,Link Bayesian Network),提高链接预测的准确性。(2)针对LBN模型构建问题,对于结构学习,本文基于商品实体之间的相似性来构建包含商品节点的模型结构;对于参数学习,我们选择常用的极大似然估计算法来计算条件概率表。(3)为了实现高效发现LBN中具有相似关系的商品节点,同时便于扩展到大规模KG,我们利用贝叶斯网的概率推理机制,给出基于Gibbs采样算法的LBN概率推理,量化了未知链接真实存在的可能性,基于此实现了 KG链接预测。(4)基于MovieLens站点数据,本文实现并测试了LBN的构建、近似推理方法,同时验证了链接预测的有效性。为了完善我们的研究内容,我们根据本文提出的方法,基于Web服务设计了“基于贝叶斯网的知识图谱链接预测”原型系统。
基于自编码器的贝叶斯网嵌入及概率推理
这是一篇关于贝叶斯网,概率推理,图嵌入,自编码器,注意力机制的论文, 主要内容为近年来,推荐系统、诊断系统等智能系统的快速发展,为用户偏好估计、疾病诊断及相似搜索等场景提供了重要的技术支撑。基于这类系统的决策,其实质通常是将领域知识建模为图模型,并根据图模型及其节点间的依赖关系来实现知识推理。然而,在图模型上进行知识推理往往是困难且低效的,因此基于图模型的高效推理方法对于智能系统的决策具有重要的意义。贝叶斯网(Bayesian Network,BN)作为不确定性知识表示和推理的基本框架,被广泛用于社交网络、知识图谱和医疗诊断等领域。基于BN的决策、分析和相似搜索,其核心是进行多次概率推理。然而,传统的概率推理方法在多次概率推理中存在时间复杂度高、效率低等问题。考虑图嵌入在图分析任务中的高效性,本文引入图嵌入的思想将BN转换为一组低维向量,并提出基于嵌入向量的概率推理方法以克服多次概率推理的效率瓶颈。在此基础上,本文进一步提出相似节点查询算法以实现高效的BN相似搜索。本文的主要研究内容概括如下:(1)为了在嵌入向量中尽可能保存BN的有向无环图结构和条件概率参数等信息,本文首先将BN转换为带权有向图,并给出基于最大似然估计的BN采样方法,根据采样样本近似计算带权有向图中边的权重,构建与带权有向图相对应的带权邻接矩阵。然后,本文基于自编码器及注意力机制提出BN嵌入方法。其中,自编码器的每个编码层均利用节点与其邻居节点(即父节点和子节点)的相关性生成节点的嵌入向量。(2)针对多次概率推理存在的时间复杂度高、效率低等问题,本文将概率推理中基于链式法则的联合概率计算转化为嵌入向量之间的距离计算,进而提出基于嵌入向量的概率推理方法以及相似节点查询方法。(3)为了测试本文方法的有效性和效率,使用不同规模的数据集对BN嵌入、基于嵌入向量的概率推理方法及相似节点查询方法进行了实验测试。实验结果表明,本文方法的效率均高于对比方法,且能得到准确的推理结果。
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：源码港湾 ，原文地址：https://m.bishedaima.com/lunwen/56245.html
