三元组
- 基于多模态信息相关度计算的计算机教育领域实体链接
图像视觉实体和三元组以帮助图像完成链接。图像和文本属于两种不同的模态，如何有效地将两者结合以完成实体链接是一项关键挑战。本文主要贡献如下：①面向计算机学科领域提出一种从图像的文本描述中提取并筛选三元组的策略，先抽取图像文本描述中的三元组，过滤低置信度的三元组，再通过计算图像视觉实体和三元组头尾实体的相关度之和对集合中的三元组进行排序，最后得到与图像相关度最强的三元组，用于图像链接到多模态知识图谱后的扩展任务；②面向计算机学科领域提出一种实体链接规则（Vis
软件导刊 2023年12期2024-01-02
- 融合双阶段解码的实体关系联合抽取方法
图谱需要大量的三元组，三元组的获取除了可以通过IS-A 的上下位获取，再就是关系抽取。关系抽取可以把文本中的实体对抽取出来，并识别出实体对之间的语义关系，形成（主体实体，关系，客体实体）的形式，这种包含了语义关键信息的形式，称为实体-关系（entity-relation）三元组（triplets）。因此，关系抽取可以在知识图谱、信息检索、问答系统、情感分析、文本挖掘中广泛应用。现有的关系抽取主要包括有监督方法、无监督方法、半监督方法和开放式实体关系抽取方法
计算机工程与应用 2023年20期2023-10-30
- 基于带噪声数据集的强鲁棒性隐含三元组质检算法*
基本存储单元是三元组，三元组由头部实体、关系和尾部实体组成。三元组之间通过关系联系在一起从而构成一张巨大的有向图。DBpedia［1］、NELL［2］等大型知识库均是从多个网站上爬取，清洗制作得到的，其复杂的知识结构往往难以有效的进行质检和分析。制作知识图谱过程中往往会引入一些噪声数据，如虚假的关系，错误的实体，甚至无中生有的三元组。由于制作知识图谱过程各种不可避免引入噪声三元组，这些三元组破坏了知识图谱的网络结构，使得知识难以得到有效的展示，基于知识图谱
计算机与数字工程 2023年5期2023-08-31
- 文物知识图谱构建关键技术研究与应用
护；知识图谱；三元组；关联数据1构建文物知识图谱的关键技术1.1实体抽取技术实体抽取技术又被称作实体识别技术。该技术指在原始语料中自动识别和获取命名实体。常见的实体抽取技术主要包括通过统计机器学习方法抽取实体、根据规范和字典抽取实体以及通过深度认知技术抽取实体。近年来，科学家尝试以国际微生物命名规范和国际微生物学字典为依据确定文件中的微生物命名，并建立以国际微生物名称标准为依据的实体识别方法。技术人员便可以通过改进条件获得明信片中的地址实体。部分技术人员通
计算机应用文摘·触控 2023年10期2023-06-02
- 基于BERT和非自回归的医疗知识抽取
均无法解决重叠三元组问题。电子病历中包含大量半结构化和非结构化信息，文本中的三元组重叠可以分为2 类：EPO 指一个实体对之间具有多种关系，例如“患者因反复腹痛，伴反酸、嗳气在我院完善相关检查后确诊胃体胃窦癌。”中存在三元组（胃体胃窦癌，症状，腹痛）、（胃体胃窦癌，并发症，腹痛）；SEO 指一个实体存在于多个三元组中，例如“患者患胃窦溃疡，因中下腹疼痛进行胃镜检查。”句子中存在三元组（胃窦溃疡，检查，胃镜）、（胃窦溃疡，症状，中下腹疼痛），这种多种关系和共
计算机与现代化 2023年1期2023-03-21
- 三元组近场效应的馈电系数修正与各向异性分析
个单元构成一个三元组。在仿真系统工作时,三元组的3个单元可以同时工作,其辐射场在空中叠加,在转台处其合成辐射场的能流方向(或相位梯度方向)与真实环境下某个点目标的回波的能流方向相同,从而仿真了该方向的点目标[4]。改变3个单元的相对馈电幅度,就可以改变合成场的能流方向,从而可以对点目标在不同方位位置处及整个运动过程中的回波进行仿真。三元组所仿真的点目标的方位位置可以使用幅度重心公式来表达[3]。根据不同的物理解释,幅度重心公式可以有不同的导出方法[5-6]
系统工程与电子技术 2023年3期2023-03-09
- 基于三元采样图卷积网络的半监督遥感图像检索
该网络将图像的三元组作为输入，驱动度量学习并得到嵌入空间。目前，将三元组与三元组损失函数[4]结合使用是训练深度度量学习模型的常用方法。三元组即由一个锚点样本、一个与锚点样本同类别的正样本以及一个来自其余类别的负样本组成的一组训练样本。由三元组损失驱动的深度模型旨在减小同类图像样本在度量空间中的距离并增大不同类图像的距离。学习得到的嵌入空间的有效性在一定程度上取决于所选择的三元组。因此，选择合适的三元组有助于提高度量学习模型最终的图像检索性能。目前一些研究
电子与信息学报 2023年2期2023-03-01
- 基于双向语义的中文实体关系联合抽取方法
撑［1］。关系三元组是语义关系的基本单元之一，由主体、客体及它们之间的关系所组成的关系三元组（形如＜主体，关系，客体＞）代表了句子中实体之间的语义关系，这样的实体关系信息可以有效运用于文本语义建模［2］。现有的关系抽取方法主要分为流水线（Pipeline）关系抽取方法和联合（Joint）关系抽取方法两大类［3］，其中：流水线关系抽取方法将关系抽取任务划分为两个独立的子任务，先从给定的句子中识别其中的实体，再对实体间关系进行分类；联合抽取方法通过一个联合模型
计算机工程 2023年1期2023-01-27
- 融合语义解析的知识图谱表示方法
-谓词-客体的三元组形式)描述，统一的格式便于计算机处理.随之谷歌提出知识图谱(knowledge graph, KG)，其本质是语义网络的知识库，将其用于网页搜索，可从语义层次理解需求，使搜索准确率提高[4].图谱以图模型可视化地描述了现实世界中信息的关联，继提出概念后，构建和应用知识图谱得到了高速的发展.涌现出大量的开放知识图谱，如WordNet[5]，DBpedia[6]，NELL[7]，YAGO[8]，Freebase[9]等.知识图谱揭示了知识的
计算机研究与发展 2022年12期2022-12-15
- 面向产品指标图谱的知识表示学习方法研究
指标参数分别用三元组的形式存储起来，作为知识表示学习算法的实验数据集。其次，本文创新性地研究数值型指标参数的分布式表示方法。设计产品数值型指标的离散化区间划分策略，通过大量的仿真实验验证了数值型指标表示方法中的关键要素，即区间数量和划分方法。再次，针对关系三元组和指标三元组的语义差异，探索全新的联合学习训练方案。本文提出了四种训练方案，包括单独学习、合并学习、依次学习和交替学习，以探索指标三元组的有效知识表示学习方法。本文在五个前沿知识表示学习算法上进行了
山西大学学报（自然科学版） 2022年4期2022-08-15
- TransP：一种基于WordNet中PartOf关系的知识图谱嵌入方法
]。知识图谱以三元组(h,r,t)的形式编码世界事实，其中：h表示头实体，t表示尾实体，r表示两者之间的关系。知识图谱嵌入则是把每个实体和关系映射为语义空间中的一个低维向量，这是一种解决知识图谱表示和推理问题的新方法[3]。它将实体和关系转换为连续的低维稠密向量，可用来完成知识图谱补全和三元组分类等任务[4]。近年来，知识图谱嵌入方法层出不穷[5-21]，如非结构化模型[5]、距离模型[6]、双线性模型[7]、NTN模型[8]和翻译模型等。其中，翻译模型以
计算机应用与软件 2022年5期2022-07-07
- 半实物射频仿真的误差联合概率密度函数分析
单元构成了一个三元组。通过调整三元组中每个辐射单元的馈电幅度,可以模拟该点目标在三元组构成的三角形内不同方向的回波,从而可以快速地仿真点目标在运动轨迹上每个位置处的散射回波。三元组仿真的目标方位位置可以由重心公式给出。对于半实物射频仿真,相关的研究文献目前主要关注以下几个方面:仿真误差分析,近场误差与近场修正,仿真对象的扩展,仿真误差的抑制等。例如,文献[4]研究了仿真的实时控制技术,文献[5]研究了宽带雷达的射频仿真问题。由于器件以及模型的非理想性,射频
系统工程与电子技术 2022年5期2022-05-07
- Trans_isA:一种基于实体属性和语义层次的表示学习方法*
,r,t)这种三元组的形式存储和表示数据,不同的三元组描述不同的客观事实. 表示学习是指将知识图谱中的中文词语或英文单词以及用来链接词语或单词的关系在统一的向量空间中进行表示,使知识图谱由离散的符号化表示转变为连续的向量,便于后续任务的完成.近年来,研究学者提出了很多关于面向知识图谱的表示学习算法. 本文主要针对翻译模型展开研究,这类模型简单且高效,如TransE[2]、TransH[3]、TransR/CTransR[4]、TransM[5]、Trans
曲阜师范大学学报(自然科学版) 2022年2期2022-04-20
- 时序知识图谱的增量构建
实体间的关系或三元组中缺失的实体进行补全，即知识图谱补全（knowledge graph completion，KGC）。其中，一些封闭世界下的KGC 方法，不考虑新增的实体关系，如基于路径和规则预测实体间的新关系和基于元学习预测实体关系，使KG 更加完整。学者们还考虑到新增的外部知识，即开放世界下的KGC，如Socher 等提出了基于张量神经网络（neural tensor network，NTN）的模型，用以推断实体间的关系，通过训练KG 中的三元组来
计算机与生活 2022年3期2022-03-13
- 基于改进多嵌入空间的实时语义数据流推理
mework）三元组加时间标注的方式进行表示，可以形成实时语义数据流数据，基于实时语义数据流的RDF 流推理逐渐引起研究人员的关注。目前的语义数据流推理引擎包括集中式和分布式两大类：集中式流推理以CSPARQL（Continuous SPARQL）［1］引擎为代 表，使 用Esper［2］、Jena［3］和Sesame［4］进行窗口运算以及处理查询；分布式流推理属于新兴领域，目前尚处于研究阶段，主要包括CQELS［5］的分布式版本、基于Storm 集群的K
计算机工程 2022年2期2022-02-24
- 基于四元数胶囊网络的知识图谱补全模型
谱采用RDF 三元组的形式描述真实世界中的关系和头、尾实体，即（主语，谓语，宾语），例如（Chicago，City_Of，US）。知识图谱已被广泛应用于许多行业与领域，如推荐系统［4］、问答系统［5］、搜索系统［6］和自然语言处理［7］。尽管KG 应用场景较为广泛，但是知识图谱仍不完整，即缺少大量真实客观三元组［8-11］。为此，研究人员提出许多典型嵌入模型，如TransE［12］、TransH［13］、TransR［14］等模型，这些模型用来学习KG 中
计算机工程 2022年2期2022-02-24
- 基于知识表示学习的实时语义数据流推理
规则生成预测的三元组集合，最后输入给扩展的KALE模型并计算出推理结果。1 相关工作1.1 实时语义数据流推理语义数据流中的信息是不断变化与更新的，因此传统的语义推理和查询的方法无法适用于这种情况。现在已经有一些工作能够处理动态RDF数据流。例如Streaming SPARQL[8]、C-SPARQL、CQELS[9]、EP-SPARQL[10]等。Streaming SPARQL 基于时代关系函数，用来扩展SPARQL语言，虽然支持RDF流处理，但是没有
计算机应用与软件 2022年2期2022-02-19
- Text2DT: 面向临床诊疗文本的决策规则抽取技术*
决策节点 使用三元组与逻辑关系符号对诊疗决策树进行规范化和结构化，并使用二叉树结构来建模诊疗决策流程。诊疗决策树中节点可以被表示为N={C/D,L(t1,……,tn_tri)}。其中C/D表示该节点是一个条件/决策节点；t=(sub,rel,obj)是一个描述诊疗知识或临床信息的三元组，是诊疗决策关键信息的结构化表示；L表示多个三元组之间的逻辑关系(and，or，null，当三元组的个数小于等于1时逻辑关系为null)；L(t1,……,tn_tri)表示条
医学信息学杂志 2022年12期2022-02-13
- 基于多跳注意力的实体关系联合抽取方法及应用研究
法解决重叠关系三元组抽取问题，而重叠关系三元组大量存在于文本数据之中，导致前述方法对三元组的抽取效果不佳。针对重叠关系三元组抽取问题，近年来有采用图结构的方式[15-16]或是采用基于复制机制的序列到序列方法[17]均取得了一定进展，但都是将关系视为实体对上的离散标签，导致抽取效率不高且模型开销大。近年WEI et al[18]提出的CasRel模型将关系建模为头实体映射到尾实体的函数，建立多关系的标注器，为解决重叠关系三元组抽取问题提供了新的模式。但该模
太原理工大学学报 2022年1期2022-01-27
- 一种基于子阵重构的三元线阵左右舷分辨方法
。此方法可用于三元组线阵，将三元组三线阵波束形成与三子阵 STMV波束形成结合，从而在最终的多波束输出中获得无镜像模糊的目标信号输出。但在实际使用中发现，当外部因素造成三元拖曳线阵发生大幅度的首尾不同扭转时，按照三元组中三水听器安装通道号划分子阵进行 STMV处理的多波束输出的左右舷分辨能力会大幅下降甚至出现分辨错误。本文提出一种按照三元组上各水听器滚转后的实际位置重构子阵，再进行STMV处理。湖试结果证明，采用此方法后，当实际三元拖曳线阵发生大幅度首尾不
声学与电子工程 2021年4期2022-01-11
- 基于视角一致性三元组损失的车辆重识别技术
神经网络提出了三元组的训练方式，通过充分学习三元组中正样本对与负样本对的相对相似性，提升了模型的表现性能。相比于基于手工特征的方法，基于深度特征的方法已经取得较大的突破，但车辆重识别任务依然存在以下几个挑战：首先是多视角挑战，即车辆外观在不同视角下急剧变化导致了所提取特征的不稳定性。如图2所示，每一行是同一辆车不同视角的图像，每一列是不同的车相似视角下的图像，模型很容易认为图2(a)和图2(d)比图2(b)、图2(c)更相似。其次是车型近似重复挑战，即市面
测控技术 2021年8期2021-08-30
- 基于关联文本的知识图谱表示学习研究
化信息，通常由三元组的集合构成，每个三元组表示为（h，r，t）其中h、r、t分别表示头实体、关系和尾实体[1]。搜索引擎、问答系统以及推荐系统等都非常依赖现有的知识图谱（Knowledge Graph，KG），如Freebase、WordNet等，表示学习在这些应用中起到了至关重要的作用。最近的嵌入技术方面的工作已经大大提高了链接预测的准确性，但是大多数方法仅依赖知识图谱中的已知事实，它们的预测能力会受到数据库中不完整信息的限制，一种简单且有效的改进途径是
现代计算机 2021年20期2021-08-23
- 基于知识表示学习的知识可信度评估
知的背景信息对三元组的可信度进行计算。具体地，对于三元组的可信度，使用一个［0，1］区间的数值进行衡量，数值越接近0，三元组成立的可能性越小，数值越接近1，三元组成立的可能性越大［5］。目前，对于知识可信度评估的研究主要采用基于表示学习的方法，具有良好性能表现的模型包括基于交叉神经网络结构的可信度计算模型KGTtm［5］、带置信度的知识表示学习模型CKRL［6］和一系列基于CKRL 进行改进的模型［7-8］以及基于规则的表示学习可信度计算模型［9-11］，
计算机工程 2021年7期2021-07-27
- BSLRel： 基于二元序列标注的级联关系三元组抽取模型
取的目的。关系三元组抽取作为信息抽取的子任务，其目的是从自然语言文本(常常以句子为输入单位)中抽取两个实体及实体之间的关系。该任务是构建大规模知识图谱的关键，被广泛运用在信息检索、问答系统等相关任务中[1]。在关系三元组抽取任务中，关系事实大多以形如“(subject, predicate, object)”或“(head，relation，tail)”的三元组形式表示。其中，subject(或head)称为头实体，object(或tail)称为尾实体，p
中文信息学报 2021年6期2021-07-23
- 基于贝叶斯网的开放世界知识图谱补全
和尾实体构成的三元组表示一个事实。知识图谱补全（Knowledge Graph Completion，KGC）指通过预测实体之间的新关系来构造三元组［6］，从而提升KG 中知识的丰富程度［7］。将实体和关系表示为低维空间中的向量，是一类有效的KGC 方法，通过向量间的计算来解决KG内部的关系预测问题。但现实世界中的知识在不断增加变化，这要求KG 及时补充现实世界中的知识，而这类KGC 方法难以满足从现实世界中学习知识的要求。因此，研究人员将KG 内部的补全
计算机工程 2021年6期2021-06-18
- 实体摘要系统的解释性评测
述该实体的一条三元组，DBpedia和Wikidata等知名知识图谱中包含的三元组总量达到十亿级，一些实体被许多三元组描述，例如，DBpedia中描述实体Barack Obama的三元组有一千多条。然而，在基于知识图谱为终端用户提供信息服务的应用中，为了避免用户信息过载，信息呈现空间通常有限，例如谷歌的知识卡片仅能呈现少量三元组，描述实体的三元组数量往往超过应用允许的限制。研究者将解决上述问题的方法称作实体摘要（entity summarization，E
大数据 2021年3期2021-06-09
- Brauer特征标三元组及其诱导子
)为一个特征标三元组，该定义出现在Isaacs的特征标经典教材[1]中第186页。类似地，固定一个特征为素数p的代数闭域，通常记IBr(N)为N的关于素数p的所有不可约Brauer特征标的集合，如果φ∈IBr(N)也是G-不变的，则称(G，N，φ)为一个模特征标三元组，该定义见Navarro模表示教材[2]中定义8.25，在本文中我们称之为Brauer特征标三元组。事实上，关于特征标三元组，无论是复特征标还是Brauer特征标，不仅本身获得了很多深刻的结果
山西大学学报（自然科学版） 2021年2期2021-05-19
- 开放域信息抽取研究综述
化信息常用关系三元组(实体1;关系;实体2)的形式表示。传统的信息抽取任务预先给定一组关系类别集合，限定关系类别以及文本的领域，在给定实体对的情况下可以将信息抽取看作是对实体对的多分类问题。但开放域信息抽取（Open Domain Information Extraction，Open IE）[1]不限定关系类别，从文本中抽取所有可能的关系三元组，例如：给定句子“自然语言处理是计算机科学的一个方向”，开放域信息抽取能够从中提取出关系三元组(自然语言处理；是
现代计算机 2021年7期2021-05-12
- 特征标三元组的本原诱导子
)为一个特征标三元组，如果G为任意群，N⊲G为G的正规子群，θ∈Irr(N)为N的一个不可约特征标且为G-不变的。特征标三元组是群表示论中重要的研究对象，具有丰富的内容和深刻的成果，以及重要而广泛的应用。例如，近年来关于群表示论中著名的McKay猜想取得了一系列重大进展，在约化为单群的过程中，特征标三元组的诱导子技术和上同调理论即发挥了核心作用，相关的具体内容和前沿文献可参考Navarro的最新专著[3]。关于特征标三元组的最新研究成果可以参考相关文献[4
山西大学学报（自然科学版） 2021年1期2021-04-21
- 基于卷积神经网络的知识图谱补全方法研究
充分挖掘，补全三元组成为亟需解决的问题。近几年，很多工作利用卷积神经网络表示知识图谱中实体和关系，并进行知识图谱补全，从而完善知识图谱。知识图谱是一种描述真实世界客观存在的实体、概念及它们之间关联关系的语义网络[2]，是结构化的语义知识库[3]，其中实体使用节点代替，关系用边表示，表示形式为三元组(h,r,t)，即(头实体，关系，尾实体)。随着知识图谱规模越来越大，三元组数据稀疏问题愈加严重。知识图谱的表示学习技术将三元组中实体和关系表示成向量，在低维向量
计算机应用与软件 2021年4期2021-04-15
- 结合平移关系嵌入和CNN的知识图谱补全
1]是有效事实三元组的集合，三元组由头实体、关系和尾实体组成，表示为(h，r，t)，h和t分别对应头、尾实体，r表示头、尾实体之间的关系。知识库广泛应用于语义搜索引擎[2]、问题解答技术[3-4]、专家系统和社交网络分析等领域[5]。然而，现有知识库存在大量缺失事实，即三元组不完整，缺少实体或关系[6]。知识图谱补全[7]旨在解决上述问题，通过提取局部模式[8]或语义特征，用已知信息生成新的有效事实，经典模型如TransE[9]和ConvE[10]。实体之
中文信息学报 2021年1期2021-03-18
- 联合FOL规则的知识图谱表示学习方法
基本组成单位是三元组，如（周杰伦，妻子，昆凌）记录周杰伦和昆凌之间的夫妻关系。这种三元组表示尽管能够有效表示结构化数据，但底层符号特征使得知识图谱难以操作[2]，面临计算效率差和重用性差等问题。为解决这一问题，知识图谱表示学习得到广泛关注，其主要目的是将实体和关系嵌入到低维连续向量空间，保留丰富语义信息的同时，在低维空间中高效计算实体和关系的语义联系，简化操作[2-3]。传统的知识图谱表示学习模型只关注内部的事实三元组，忽略了其他背景知识。随着研究的进行，
计算机工程与应用 2021年4期2021-02-22
- 基于分层序列标注的实体关系联合抽取方法
标注方式来解决三元组重叠问题。实验证明, HSL 模型能有效地解决三元组重叠问题, 在军事语料数据集上 F1 值达到 80.84%, 在公开的 WebNLG 数据集上 F1 值达到 86.4%, 均超过目前主流的三元组抽取模型, 提升了三元组抽取的效果。实体关系联合抽取; 三元组重叠; 序列标注; 知识图谱; HSL实体关系三元组抽取是知识图谱构建过程中不可缺少的步骤, 实体关系三元组抽取指从文本中抽取出实体对, 并确定实体之间的关系。实体关系三元组结构为
北京大学学报（自然科学版） 2021年1期2021-02-02
- 基于半边原理的知识图谱补全
中,知识表示为三元组(即RDF三元组)的形式,使得知识能够得到结构化处理[1]。人们必须为知识图谱应用设计各种基于图形的方法,然而知识图谱中的知识不能作为完备的知识,尤其是在大规模知识图谱上下文中,需要不断补充其中的实体关系进行知识图谱补全[2]。同时,现有的知识图谱均以三元组的形式表示知识,这限定了知识必须包含头实体、关系和尾实体三部分,但实际上三元组并不是适合所有知识的表示方式。例如管理员想查找某学生的导师A的博士论文,但是已有知识库中并没有导师A的博
计算机工程 2020年11期2020-11-14
- 具有关系敏感嵌入的知识库错误检测
识库中准确地对三元组进行识别和错误检查，并且对纠正三元组的错误具有较高精准性。图1 中，对于关系“家人近期病史”，可以对应的不同主体是离散的，主体可以是“市民 A”、“市民B”等，客体也是离散的，可以是“SARS-COV 病毒”、“COVID-19 病毒”等，彼此之间没有必然的关系。但是对于关系对而言，它们会产生局部相交，如同对于三元组(“市民 A”，“患病”，“COVID-19 病毒(Corona Virus Disease 2019)”)和(“市民 A
网络安全与数据管理 2020年10期2020-10-28
- 基于卷积神经网络的高效知识表示模型①
的节点组成一个三元组。一般形式为(头实体，关系，尾实体)，比如：(希区柯克，导演，惊魂记)，也可以缩写为(h,r,t)。然而，一些大规模的知识图谱，比如世界知识库Freebase[3]、百科知识库DBpedia[4]和多语言知识库YAGO[5]，通常是不完整的，缺少大量的合理三元组[6,7]，知识补全(又称为链接预测)任务[8]被提出来解决这个问题。知识补全也称为链接预测，即预测一个三元组(h,r,t)是否是合理的知识，所采用的方法主要是基于知识表示的模型
高技术通讯 2020年9期2020-10-19
- K-VQA：一种知识图谱辅助下的视觉问答方法
取知识图谱中的三元组，获取问题答案。结果表明，不同的视觉问答技术适用于不同类型的问题，K-VQA方法既能回答简单问题也能回答推理性问题，准确率高达56.67%。因此，作为知识图谱辅助下的视觉问答方法，K-VQA可以回答更多类型的问题并获得较高的准确率，对于深入研究VQA和VQA方法具有重要的参考价值。关键词：知识工程;视觉问答;外部知识;知识图谱;三元组中图分类号：TP392 文献标识码：A文章编号：1008-1542（2020）04-0315-12doi
河北科技大学学报 2020年4期2020-09-10
- 改进的胶囊网络知识图谱补全方法
系数据并表示为三元组(头实体,关系,尾实体)的形式[2]。尽管知识图谱在各领域有着重要应用,但许多大型知识图谱如Freebase、DBpedia等数据关系仍不完整,大量实体之间隐含的关系未被充分挖掘[3]。知识图谱补全技术旨在发现三元组中的缺失链接,解决知识图谱数据稀疏问题,即预测缺失三元组是否正确[4-6],将正确三元组添加到知识图谱进行补全。目前,研究者提出许多嵌入模型用于学习实体和关系的矢量表示,如早期的TransE[7]、TransH[8]、Tra
计算机工程 2020年8期2020-08-19
- 基于多特征语义匹配的知识库问答系统
知识通常被叫作三元组（主语、谓语、宾语），其中主语和宾语代表知识库中的节点，谓语被用来连接主语和宾语。知识库中大量三元组的连接构成一个有向图，主语和宾语代表图中的节点，谓语是从主语指向宾语的有向边。如何根据知识库中海量的事实三元组来实现知识问答成为目前研究的热点，基于知识库问答任务在于根据用户提出的自然语言问题从知识库中得到匹配的事实三元组，并返回三元组中的宾语作为问题的答案。由于自然语言问题表达的多样性，它与知识库中结构化的三元组事实存在语义差异，比如问
计算机应用 2020年7期2020-08-06
- 一种精细表示多值属性的知识图谱嵌入模型*
便于链接预测、三元组分类、关系抽取、知识库问答等下游任务的执行。近年来，很多知识图谱嵌入模型被提出，它们主要分为两大类［1～2］：1）翻译距离模型（translational distance models），典型的有 TransE［7］、TransH［8］、TransR［9］、TransD［10］、KR-EAR［11］；2）语义匹配模型（semantic matching models），典型的有RESCAL［12］和 DistMult［13］。KR-E
计算机与数字工程 2020年3期2020-06-09
- 改进的TransH模型在知识表示与推理领域的研究
含着大量的事实三元组，将实体(包括概念、属性值)表示成知识图谱中的节点，节点之间的连接表示关系，以(头实体，关系，尾实体)[表示为(h，r，t)]的形式存储，用网状的结构展示所获取的知识。目前，已经建成的知识图谱包括Yago[6]、DBpedia[7]、FreeBase[8]等。虽然在过去的十几年中，知识图谱取得了巨大的发展，但是还存在着一些局限，其中知识图谱不能包含所有的知识就是一个重大的局限，知识图谱的不完整性严重制约了AI领域中应用程序的效能，如何通
广西大学学报（自然科学版） 2020年2期2020-05-29
- 胶囊网络在知识图谱补全中的应用
aph）是事实三元组的集合，节点代表实体，边代表实体间关系[1]。现如今，很多知识图谱，如YAGO[2]、Freebase[3]、DBpedia[4]和NELL[5]已经被创建并成功应用于一些现实应用程序中[6]。知识图谱提供有效的结构化信息，成为包括推荐系统[7]、问答[8]、信息检索[9]和自然语言处理[10]在内的智能应用程序的关键资源。尽管知识图谱在各领域有着重要应用，很多大型知识图谱仍不完整，大量实体之间隐含的关系没有被充分地挖掘出来[11]。针
计算机工程与应用 2020年8期2020-04-24
- 特征标三元组的诱导子映射
是所谓的特征标三元组T=(G,N,θ),其中G是一个有限群,N◁G为G的正规子群，θ∈Irr(N)为N的一个不可约复特征标且为G-不变的。关于特征标三元组的研究可以参考[1-5]。关于特征标三元组的研究,目前已经取得了丰富的内容和成果。特别是为了证明M-群的若干著名猜想以及处理特征标对应理论中相关的重要问题,Dade在系列论文[6-8]中创立了特征标三元组的稳定子极限理论,并深入考察了极限情形下的不变量。Isaacs在[9]中借助特征标三元组的诱导子和拟本
山西大学学报（自然科学版） 2019年4期2019-11-22
- 基于三元组结构的有向网链路预测方法
宏，刘树新基于三元组结构的有向网链路预测方法常圣，马宏，刘树新（国家数字交换系统工程技术研究中心，河南 郑州 450002）当前链路预测的研究主要集中在无向网络，然而现实世界中存在大量的有向网络，忽略链路的方向会缺失一些重要信息甚至使预测失去意义，而直接将无向网络的预测方法应用于有向网络又存在预测精度降低的问题。为此，提出了一个基于三元组的有向网络链路预测算法，该算法针对有向网络和无向网络三元组结构的不同，应用势理论对三元组进行筛选，通过统计分析不同三元组
网络与信息安全学报 2019年5期2019-10-18
- 一种基于三元加权波束形成的线阵左右舷分辨方法
到达线阵中每组三元组里三个水听器的幅度和相对时延关系，通过设置使目标信号在镜像方向的波束输出为0的加权系数[7]，再结合线阵常规波束形成方法，来实现三元组线列阵波束输出的左右舷分辨。1 理论分析1.1 三元线阵坐标系建立三元线阵在三维直角坐标系中的位置模型，示意图见图1。该线阵水平方向的每个三元组部件由三个无指向性水听器构成。每个三元组的三个水听器分布在一个半径为r的圆周上并形成一个等边三角形。三元组中心为On，水平间距为d，横滚为那么，该三元阵水听器各阵
声学与电子工程 2019年3期2019-10-14
- 关于余挠三元组的periodic-模
8]讨论了余挠三元组及其应用；2017年狄振兴等[9]提出并研究了Abel范畴上关于余挠三元组的倾斜子范畴.受此启发，本文主要研究关于余挠三元组的Periodic-模.本文中的环R均指有单位元的结合环，模指酉左R-模.R-Mod表示左R-模范畴，P和I分别表示投射左R-模类和内射左R-模类.设C为R-模类，C的右正交类定义为对任意C∈C都有对偶地，C的左正交类定义为对任意C∈C都有特别地，记设X、Y、Z为3个R-模类.称对子(X，Y)是一个余挠对，如果称余
五邑大学学报（自然科学版） 2019年3期2019-09-06
- 一个时态RDF存储系统的设计与实现
等补充了非限定三元组的语法语义，并提出了tGRIN索引结构将时态RDF存储在关系型数据库中[3-4]。Geetha等针对海量RDF存储和语义网大量历史数据存储的问题，提出了一个基于语义的时态视图机制，通过演示验证了该机制可提高RDF三元组中的时变数据缓存到主存的效率[5-6]。时态RDF由于其独特的语义支持和推理机制，通常应用于人工智能领域中，如电力系统中[7]以及机器阅读技术中等。对数据的管理离不开数据库的支持，而对于时态RDF数据的管理要建立在时态数据
计算机技术与发展 2018年12期2018-12-20
- 三元组线列阵分裂波束目标方位跟踪方法
君红，周胜增三元组线列阵分裂波束目标方位跟踪方法尹子源，谭君红，周胜增(上海船舶电子设备研究所，上海 201108)针对单线阵进行弱目标跟踪时容易受到强目标影响的问题，将三元组线列阵进行分裂波束定向，可提高对弱目标的方位跟踪能力。通过将三元组线列阵等分为两个三元组子阵，对两个三元组子阵分别进行心形波束形成，利用各自心形波束输出进行分裂波束处理得到目标方位。与常规单线阵分裂波束目标跟踪方法相比，该方法不但能给出跟踪目标的左右舷信息，同时提高了不同舷侧存在多
声学技术 2018年5期2018-11-15
- 分布式本体调试信息的存储优化与增量更新
理部分.将原始三元组中的资源数据以数字id的方式编码压缩，以减少数据的读写量，将尽量多的数据读入内存，达到加速的效果.需要存储的数据包括编码后的三元组，以及资源与id的对应关系.这些数据主要用于推理和辩解信息解码.第2部分，本体推理部分.包括RDFS推理和OWL pD*推理，应用RDFS和OWL pD*规则进行推理，将推理出的三元组存储于数据库，循环执行两种推理机直到没有新的三元组产生.主要存储信息包括以七元组形式表示的蕴含及其调试信息.第3部分，本体调试
郑州大学学报（理学版） 2018年4期2018-11-08
- 关于特征标线性极限的若干结果
N,ψ)为一个三元组。文献[1]引入了三元组T的线性约化和线性极限等一系列基本概念,主要结果是证明了T的所有线性极限都是等价的,相关概念和结果我们将在下节给予简介。事实上,三元组的极限理论产生于研究M-群的正规子群的单项性问题。熟知M-群是可解群中非常重要的一类群,其不可约特征标都是单项的,即均可从子群的线性特征标诱导得到。关于M-群还有很多重要的问题和猜想至今尚未得以解决,其中最著名的也许是1967年Dornhoff 在[2]中提出了关于M-群的两个猜想
山西大学学报（自然科学版） 2018年3期2018-09-04
- 基于英、维匹配技术的跨语言领域本体构建方法研究
换的。(5) 三元组是一种信息的表达方式。一个三元组可表示为T={A,R,B}。在本研究中，A和B可以理解为两个不同的概念或实例，R同式(1)。1.2 重用本体集合概念在多语种环境下所表达的内涵是一致的[10]。司莉等[11]在论文中实验验证了跨语言本体技术在研究信息检索模型领域中的作用。因此在本文中，使用本体研究技术较成熟的英语领域本体进行重用来弥补维吾尔语中本体构建研究的不足。本研究所选择的领域为旅游领域，通过互联网等途径，收集构建维吾尔语领域本体所使
计算机应用与软件 2018年6期2018-07-05
- M-群的一类子群的单项性
N,ψ)为一个三元组，如果N是群G的正规子群，并且ψ∈Irr(N).方便起见，我们称S为三元组T的一个Dade子群，如果S≤G满足下述三个条件:(1)正规条件:NS◁G，(2)互素条件:(|N|,|S|)=1，(3)不变条件:ψ∈IrrS(N),即ψ为S-不变的。在此情形下，由于S互素地作用在N上，而ψ∈Irr(N)是S-不变的，故ψ存在相应的Glauberman-Isaacs特征标对应,即S-对应ψ(S)∈Irr(CN(S)).显然CN(S)◁NG(S)
山西大学学报（自然科学版） 2018年3期2018-02-01
- 基于Spark的分布式并行推理算法①
于含有多个实例三元组前件的OWL规则的推理效率低下,使其整体的推理效率不高.针对这些问题,文中提出结合TREAT的基于Spark的分布式并行推理算法(DPRS).该算法首先结合RDF数据本体,构建模式三元组对应的alpha寄存器和规则标记模型;在OWL推理阶段,结合MapReduce实现TREAT算法中的alpha阶段;然后对推理结果进行去重处理,完成一次OWL全部规则推理.实验表明DPRS算法能够高效正确地实现大规模数据的并行推理.RDF;OWL;分布式
计算机系统应用 2017年5期2017-06-07
- 基于启发式规则的SPARQL本体查询
总结出用于查询三元组抽取的启发式规则,利用这些规则去掉无意义的查询三元组,合并和重组意义不完整的查询三元组。查询三元组经过类映射、实例映射和属性映射得到本体三元组,形成SPARQL查询。用户在B/S结构的查询界面中提交中文自然语言问句,得到中间结果和问句结果。实验结果表明了该方法的有效性。自然语言问句; 依存分析树; 三元组映射; SPARQL查询本体能清楚地表示某一领域的分类(类和属性)和存储大量的知识(实例和实例关系),通过共享和交换知识在语义网中起着
华东理工大学学报(自然科学版) 2016年6期2017-01-18
- 基于分布式表示和多特征融合的知识库三元组分类
征融合的知识库三元组分类安 波，韩先培，孙 乐，吴 健(中国科学院 软件研究所 中文信息处理研究室，北京 100190)三元组分类是知识库补全及关系抽取的重要技术。当前主流的三元组分类方法通常基于TransE来构建知识库实体和关系的分布式表示。然而，TransE方法仅仅适用于处理1对1类型的关系，无法很好的处理1对多、多对1及多对多类型的关系。针对上述问题，该文在分布式表示的基础上，提出了一种特征融合的方法—TCSF，通过综合利用三元组的距离、关系的先验概
中文信息学报 2016年6期2016-06-01
- 幅相控制精度对射频仿真目标位置误差的影响*
确位置是通过对三元组辐射信号的幅度和相位控制来实现的，幅度和相位控制精度直接影响目标位置的模拟精度。基于波因廷矢量法建立了三元组合成位置模型，以两元组为例，分析了二元组合成位置特性及其对幅度和相位的灵敏度特性，建立了合成位置误差与幅相控制精度关系的数学模型，并给出了合成位置误差的分布规律，结论具有工程指导意义。射频仿真；三元组；波因廷矢量；目标位置误差；幅度灵敏度；相位灵敏度0 引言随着精确制导技术的发展，对具有多散射中心的复杂体目标与分布式杂波的仿真已经
现代防御技术 2016年6期2016-02-24
- 基于三元组的扩频码构造及其性能分析
5，16］。将三元组随机数序列引入扩频通信，以此为基础，经同态均匀映射或正交变换进行改进［17－19］，得到同态三元组扩频码或正交三元组扩频码。以m 序列、分段Logistic序列［20］和线性同余序列为例，与正交三元组扩频码和同态三元组扩频码参与仿真，在蒙特卡罗直接扩频通信模型［21］和直接序列码分多址系统DS－CDMA［22，23］中计算误码率。实验结果表明，同态三元组扩频码在不同幅度的正弦干扰下的误码率很小，正交三元组扩频码可以承载的用户数更多。同态
计算机工程与设计 2015年1期2015-12-20
- 基于有序二叉树的RDF存储模型研究
数据指以RDF三元组形式组织的语义网数据，通常由RDF、RDFS或 OWL语言及RDF图模型描述。RDF图以有向图作为存储模型，其中主体和客体作为节点，谓词充当边，边的方向由主体指向客体。依据文献［9］的方法给出RDF图的定义。1.1 RDF图存储模型定义1 设U、B、L分别表示资源集合、空节点集合以及文字集合，RDF数据用主体、谓词、客体三元组表示，其中，主体∈（U∪B ），谓词∈U，客体∈ （U∪B∪L） 。RDF图为RDF三元组的集合，图中的每个三元
合肥工业大学学报（自然科学版） 2013年7期2013-09-03
- 射频仿真系统中三元组天线单元张角计算
真系统天线阵列三元组模拟目标在空间相对被试设备的运动轨迹，而三元组天线单元张角是影响仿真系统性能的重要因素。本文对三元组天线阵元的张角进行分析计算，得出一些相关数据，以便为工程实践作参考。1 三元组工作原理在射频仿真系统中通过显控计算机来控制天线阵列中的三元组天线单元辐射位置，实现射频仿真目标的运动，具体方法是在天线阵列中任意选择相邻3个天线单元按等边三角形排列组成一个三元组，天线阵列如图1所示。工作时在天线阵列中根据需要任意选择一个三元组辐射信号，3个天
舰船电子对抗 2012年6期2012-08-10