基于知识图谱的需求模式挖掘方法的研究
这是一篇关于实体关系抽取,本体对齐,知识图谱,模式挖掘的论文, 主要内容为在当前复杂的互联网服务环境下,服务供求双方双盲现象普遍存在。服务需求者对外部服务和相关领域知之甚少,难以准确全面地表达需求。而服务提供者所掌握的用户需求信息有限,因此难以准确恰当地提供服务。为解决以上问题,我们需要获取大量用户需求并进行综合分析,挖掘用户的需求模式,从而帮助用户进行模糊需求的匹配以及为商家提供潜在的用户需求。但目前在网络中,用户的需求来自异构的数据源,且需求表达具有多样性、不规范以及非结构化的特征。因此,基于碎片化的用户需求,通过知识抽取、知识融合以及知识挖掘工作从离散的数据中获取有价值的需求信息,将对当前服务供求市场具有重要意义。本文采用众包服务网站Free Lancer中的用户需求描述短文本对以上问题展开研究。首先通过实体关系抽取方法将每篇非结构化的文本构建成结构化的本体形式,然后通过知识融合方法将大规模需求本体融合成一个热度综合需求图谱。其中,由于用户的表达异构,我们采用基于元素和基于结构的对齐方法,并分别从字符串层面和语义层面将本体中的实体对齐;然后基于融合需求图谱,采用概率图模型挖掘本课题所定义的链路模式和簇状模式。为避免在庞大的需求图谱中直接进行图搜索,我们提出一种基于领域视角的模式挖掘方法,将大规模的需求图谱抽象压缩到领域知识空间。该过程我们通过领域术语抽取方法标识领域实体节点,并采用表示学习方法补全离散的领域知识间的关联。最后,我们基于以上研究成果,设计并开发了一个用户需求模式匹配工具,通过模式挖掘方法辅助用户进行需求文本的编写。互联网当中的用户的需求大多是模糊而嘈杂的,因为没有一种统一的表达规范,在此基础上进行的以上问题的研究十分困难。在实体关系抽取阶段,我们通过规则定义改善了现有NLP工具的不足;在图谱融合阶段,我们借助已有本体对齐方法的支撑,将各类方法进行综合和改进。对于需求模式挖掘,我们创新地提出一种基于领域视角的模式抽取方法,在多粒度空间下进行用户需求模式的挖掘。最后,本课题通过对比实验验证了所采用方法的有效性,并通过具体应用实例证明了本课题的研究价值与意义。
基于知识图谱的需求模式挖掘方法的研究
这是一篇关于实体关系抽取,本体对齐,知识图谱,模式挖掘的论文, 主要内容为在当前复杂的互联网服务环境下,服务供求双方双盲现象普遍存在。服务需求者对外部服务和相关领域知之甚少,难以准确全面地表达需求。而服务提供者所掌握的用户需求信息有限,因此难以准确恰当地提供服务。为解决以上问题,我们需要获取大量用户需求并进行综合分析,挖掘用户的需求模式,从而帮助用户进行模糊需求的匹配以及为商家提供潜在的用户需求。但目前在网络中,用户的需求来自异构的数据源,且需求表达具有多样性、不规范以及非结构化的特征。因此,基于碎片化的用户需求,通过知识抽取、知识融合以及知识挖掘工作从离散的数据中获取有价值的需求信息,将对当前服务供求市场具有重要意义。本文采用众包服务网站Free Lancer中的用户需求描述短文本对以上问题展开研究。首先通过实体关系抽取方法将每篇非结构化的文本构建成结构化的本体形式,然后通过知识融合方法将大规模需求本体融合成一个热度综合需求图谱。其中,由于用户的表达异构,我们采用基于元素和基于结构的对齐方法,并分别从字符串层面和语义层面将本体中的实体对齐;然后基于融合需求图谱,采用概率图模型挖掘本课题所定义的链路模式和簇状模式。为避免在庞大的需求图谱中直接进行图搜索,我们提出一种基于领域视角的模式挖掘方法,将大规模的需求图谱抽象压缩到领域知识空间。该过程我们通过领域术语抽取方法标识领域实体节点,并采用表示学习方法补全离散的领域知识间的关联。最后,我们基于以上研究成果,设计并开发了一个用户需求模式匹配工具,通过模式挖掘方法辅助用户进行需求文本的编写。互联网当中的用户的需求大多是模糊而嘈杂的,因为没有一种统一的表达规范,在此基础上进行的以上问题的研究十分困难。在实体关系抽取阶段,我们通过规则定义改善了现有NLP工具的不足;在图谱融合阶段,我们借助已有本体对齐方法的支撑,将各类方法进行综合和改进。对于需求模式挖掘,我们创新地提出一种基于领域视角的模式抽取方法,在多粒度空间下进行用户需求模式的挖掘。最后,本课题通过对比实验验证了所采用方法的有效性,并通过具体应用实例证明了本课题的研究价值与意义。
基于深度学习的多知识图谱融合关键技术研究
这是一篇关于本体对齐,实体对齐,本体摘要,自注意力模型,图卷积网络的论文, 主要内容为随着知识图谱研究和应用的深入,多源异构知识图谱间的知识共享和融合成为一种新的需求。通过对多个知识图谱的对齐、关联和合并,使其融合成一个有机整体,是一种提供更全面知识共享、促进知识应用的重要方法。多知识图谱的融合主要包括本体对齐和实体对齐两大关键技术,分别实现不同知识图谱间在真实语境中指向同一本质的等价本体概念的匹配和等价实体的匹配。此外,为了方便用户理解融合后过大的知识图谱,本体摘要应运而生。本体摘要是生成原始本体缩略版本的一种方式,能够有效降低本体理解的难度,推动知识图谱的应用。随着深度学习技术的不断发展及其在自然语言处理领域的应用,基于深度学习的多知识图谱融合和本体摘要已成为主流,但是受限于当前自然语言处理领域及知识表征领域的技术现状,如何提高本体对齐、实体对齐和本体摘要的精度仍是当前的重点。面向不同知识图谱间融合以及融合后图谱摘要的需求,本文分别针对本体对齐、实体对齐和本体摘要技术进行了深入的研究,主要研究内容如下:(1)为了提高本体对齐的精度,采用多特征相似度融合的方法,针对不同类别特征相似度融合的难题,提出了基于自注意力模型对本体概念间多种元素级和结构级相似度进行融合的本体对齐方法。首先,分别基于字符串、基于语义和基于结构信息三个维度对两个本体间本体概念的相似度进行计算;然后,将这些不同类别的相似性度量作为输入,送入自注意力模型中进行融合;最后,根据融合的结果判断两两本体概念是否相似,进而进行本体对齐。实验表明,相较于其他方法,该方法的F-Measure有明显提升,验证了本文方法的有效性。(2)为了提高实体对齐的精度,在普遍采用的结构特征基础上融合了属性特征,提出了基于图卷积网络(Graph Convolutional Network,GCN)融合结构和属性深层语义信息的实体对齐方法。首先,将实体的邻接矩阵作为结构特征放入GCN中得到实体的结构嵌入;然后,以实体对齐作为下游任务微调BERT模型,再用微调后的BERT获得实体名称的语义层向量,将其作为属性特征(其中邻接矩阵中包含了结构信息)放入GCN中获得属性深层语义嵌入;最后,将结构嵌入和属性嵌入联合进行实体对齐。实验表明,该方法所得结果在Hit@k评估上优于其他实体对齐方法。(3)为了提高本体摘要的精度,基于逐级收敛的思想,提出了一种基于重要性筛选与语义聚类的本体摘要方法。首先,针对基于语义的本体摘要中提取出的本体重要概念容易偏向长文本的不足,提出基于组合重要性度量的本体概念筛选方法,生成候选本体概念集;然后,为了利用本体概念语义层面的信息,使用预训练好的BERT模型将候选本体概念集转换为本体概念向量,将其投射到向量空间;最后,利用K-means++在上述向量空间进行聚类,根据聚类结果得到具有代表性的本体概念集,生成本体摘要。与其他方法相比,该本体摘要方法的精度有明显的提升。
面向大服务的知识图谱管理平台
这是一篇关于知识图谱,众包,本体对齐,图嵌入的论文, 主要内容为随着服务计算、云计算、物联网、大数据等高新技术的快速发展,由现实世界与虚拟网络空间之间各类线上线下的服务互联互通,产生了大服务的现象。大服务源于互联网中多样化、异构和复杂的海量服务,是由异构服务聚合而来的,因此大服务平台需要整合大量的分散异构服务资源,这些服务资源的获取,存储和管理存在以下难点:服务资源的来源众多、服务资源的设计没有统一的模式,因此数据充满多样性和异构性、服务资源有多种使用方式,需要有通用的操作接口对服务资源进行调用,因此,在此背景下本文使用知识图谱帮助解决以上问题,提出基于众包方式构建知识图谱的方法,众包引入的模板进行对齐和融合得到统一模板的方法,使用模板对服务资源进行统一描述的方法,并基于以上方法设计和实现了面向大服务的知识图谱管理平台。平台为用户提供具体领域的知识图谱构建服务,降低用户构建知识图谱的门槛;支持用户根据自己的服务资源格式,自定义知识图谱的模板;不同用户的知识图谱进行独立存储;采用众包方式获取服务资源,增量的构建知识图谱;提供通用的知识图谱查询与基于图嵌入模型的推理应用接口,支持第三方应用程序基于上述接口进行二次开发。平台的知识图谱构建关键技术包括基于众包的知识图谱构建方法,基于OWL的知识图谱模板定义与对齐和融合方法以及异构服务资源的语义对齐和融合方法。在全面进行需求分析和知识图谱构建关键技术分析的基础上,本文将平台划分为图空间管理模块、模板模块、资源模块、图嵌入模块和后台管理模块五个部分,并对各个模块进行设计和实现。最终本文按照需求分析,对系统进行总体设计和详细设计,对面向大服务的知识图谱管理平台进行了系统实现并对系统进行测试。
基于词嵌入的本体对齐研究
这是一篇关于本体对齐,语义相似度,词嵌入,知识图谱嵌入的论文, 主要内容为计算机网络的迅速发展导致数据产生爆炸式的增长,知识图谱为这些网络上异构、海量、动态数据的表示、组织、管理和利用提供了一种高效的方式,提高了网络的智能化水平。本体是从客观世界中抽象出来的概念模型,包含概念以及概念之间的关系,是对知识的抽象和对某个领域之中的概念及其之间关系的形式化表达。构建本体的目的是描述领域知识,领域中存在的并行本体开发现象提出了本体对齐的需求。本体对齐以本体作为输入,以对齐结果作为输出,确定不同本体中语义相关的实体之间的对应关系,是语义网互操作性的关键促成因素。随着表示学习技术在自然语言处理领域的发展与成熟,专家学者开始尝试将其应用于本体对齐问题。与原有的特征提取方法相比,表示学习技术存在一定优势,使用大量相关语料预训练得到的词嵌入能够表示单词内在的语义信息,识别字面表示不同而语义相同的单词。但是由于词嵌入的生成依靠单词的上下文,这导致词嵌入存在无法准确区分语义相似性与描述相关性。为了解决这一问题,本文结合本体对齐的具体任务,使用SCBOW模型和Knowledge distillation模型对词嵌入进行改进,利用改进后的词嵌入获取实体嵌入,从而计算两个实体的相似度,获取候选实体对。考虑到使用词嵌入完成本体对齐任务只利用了实体的语义信息,而本体是由实体按层级关系组织成的网络,包含丰富的结构信息。本文利用MTrans E模型对两个本体进行嵌入和本体空间映射,得到实体的结构嵌入,进一步使用本体的结构嵌入计算实体对的相似度,获取最终对齐结果。实验表明改进词嵌入和加入实体的结构嵌入,均在一定程度上提高了概念实体相似度计算的正确率。
基于BERT模型的电机故障知识众包采集系统设计与实现
这是一篇关于实体抽取,众包采集,故障知识库,本体对齐的论文, 主要内容为随着时代的发展,针对不同场景的发电机的种类越来越多。包括水力发电机,涡轮发电机等,同时会有很多不同的型号的发电机。针对上述各种电机的维护与诊断是当下的难题。许多电机的维护只有相关领域的专家才能掌握其对应电机的知识。这些知识碎片化,没有相关规范和行业标准,不具有相关领域的认证,无法正常使用,甚至会对发电机的故障知识整理与诊断造成严重的干扰。根据上述的需求,需要制作一个电机故障知识库,以供相关领域的专家与用户使用。本系统主要以两种方式作为数据收集来源,第一种是通过向专家发放问卷,通过收集专家的答案汇总并添加到电机故障知识库当中。另一种方式是通过对现有文章中核心信息进行抽取,获得相关电机故障知识,经用户确认之后存入故障知识库当中。数据预处理、模型训练、知识抽取、本体对齐,这些是技术关键。这些方式的核心思想就是将碎片化的知识变得结构化,并具有其一定的规模。在上述需求基础下,通过已有的电机故障诊断经验结合当下流行的互联网技术开发电机故障众包知识采集系统。数据的来源分别来自专家和《大电机技术》期刊,通过专家的问卷作答同时对期刊内关于电机故障知识的抽取作为数据源头。模型训练部分使用当下最新的BERT模型,利用其命名实体识别的任务抽取论文中关于电机故障的相关描述。抽取和收集最后的结果由于表达方式不同、模型的准确性等原因,会出现部分噪音。这些噪音需要进行二次处理,包括本体对齐、专家确认等方式,经确认后将这些知识存入到故障知识库当中。通过以上技术,成功设计和实现电机故障知识众包知识采集系统,能够从各种文件格式中抽取电机故障知识,并构建电机故障知识库和知识图谱,同时模型精确率为83%左右。本课题主要将电机故障知识诊断与自然语言处理模型。改善电机故障维护的现状,同时电机故障知识库的构建能够大幅度的帮助相关产业的发展并减少人工的消耗,同时能够第一时间对相关故障进行处理,这也是本项目的核心和主要目的。
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：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/56248.html
