發(fā)布時(shí)間：2018-06-04 08:14

  本文選題：知識(shí)圖譜 + 關(guān)系推理��； 參考：《電子科技大學(xué)》2017年碩士論文

【摘要】：伴隨著信息技術(shù)及互聯(lián)網(wǎng)的快速發(fā)展,傳統(tǒng)基于文本的的信息檢索方法已經(jīng)難以滿(mǎn)足用戶(hù)的需求,迫切需要一種更加高效的信息處理方法。知識(shí)圖譜研究就是在此背景下產(chǎn)生和發(fā)展起來(lái)的,知識(shí)圖譜對(duì)非結(jié)構(gòu)的文本信息進(jìn)行處理,抽取獲得包含其中的結(jié)構(gòu)化知識(shí),最終構(gòu)建成為一張巨大的知識(shí)網(wǎng)絡(luò),相關(guān)的應(yīng)用基于這一網(wǎng)絡(luò)為用戶(hù)提供更加快速和準(zhǔn)確的服務(wù)。關(guān)系推理技術(shù)是組成整個(gè)知識(shí)圖譜系統(tǒng)的核心模塊之一,其主要任務(wù)是:在不添加額外知識(shí)的情況下,使用知識(shí)圖譜中已經(jīng)存在的知識(shí),通過(guò)加工推理獲得新的知識(shí)。該技術(shù)對(duì)于知識(shí)圖譜的擴(kuò)充和完善,以及基于知識(shí)圖譜的各類(lèi)實(shí)際應(yīng)用有著深刻的促進(jìn)意義。本文通過(guò)對(duì)國(guó)內(nèi)外關(guān)系推理領(lǐng)域的相關(guān)工作進(jìn)行全面調(diào)研,并在此基礎(chǔ)上提出了一種新的基于圖的關(guān)系推理算法(Graph-based Relation Inferring Algorithm,GBRI),該算法主要包括兩個(gè)部分:全局關(guān)系推理模塊和局部關(guān)系推理模塊。兩個(gè)模塊分別利用不同關(guān)系類(lèi)型間的連通結(jié)構(gòu)以及單一關(guān)系內(nèi)的結(jié)構(gòu)特征進(jìn)行推理預(yù)測(cè),并將兩者進(jìn)行融合獲得最終的關(guān)系推理結(jié)果。本文的主要貢獻(xiàn)如下:(1)提出了一種新的關(guān)系預(yù)處理方法,該方法將知識(shí)圖譜中的同義關(guān)系進(jìn)行合并,降低了關(guān)系特征空間的維度,使得模型學(xué)習(xí)過(guò)程中的訓(xùn)練數(shù)據(jù)更為充足,緩解了數(shù)據(jù)的稀疏性問(wèn)題。(2)提出了全局關(guān)系推理算法,該算法首次將知識(shí)圖譜以一張無(wú)向圖進(jìn)行建模,構(gòu)造“實(shí)體-關(guān)系”圖,并針對(duì)知識(shí)圖譜中包含的每一種關(guān)系,在“實(shí)體-關(guān)系”圖中尋找其特征路徑,用于構(gòu)造特征向量,最后,利用Logistic回歸訓(xùn)練得到每類(lèi)關(guān)系的預(yù)測(cè)模型。實(shí)驗(yàn)表明,無(wú)向圖的建模方式能夠有效增加所能獲取到的特征路徑數(shù)量,提高算法的預(yù)測(cè)準(zhǔn)確率。(3)提出了局部關(guān)系推理算法,該算法首次考慮了不同關(guān)系類(lèi)型的內(nèi)部特征,在“實(shí)體-關(guān)系”圖中提取每種關(guān)系的關(guān)系子圖,并計(jì)算子圖中不同實(shí)體間的轉(zhuǎn)移概率,進(jìn)而得到局部關(guān)系推理模型的預(yù)測(cè)結(jié)果。實(shí)驗(yàn)表明,該算法能夠有效提高多對(duì)多關(guān)系數(shù)據(jù)上的預(yù)測(cè)性能。(4)本文對(duì)全局關(guān)系推理算法和局部關(guān)系推理算法的預(yù)測(cè)結(jié)果進(jìn)行融合,得到了最終的GBRI。并在三個(gè)開(kāi)源數(shù)據(jù)集WN18,FB15k以及FB40k上,對(duì)比了GBRI模型與其它代表性工作的預(yù)測(cè)性能,證明了GBRI模型的有效性。
[Abstract]:With the rapid development of information technology and the Internet, the traditional text-based information retrieval method has been difficult to meet the needs of users, and a more efficient information processing method is urgently needed. The research of knowledge map is produced and developed under this background. Knowledge map processes the unstructured text information, extracts the structured knowledge contained therein, and finally constructs a huge knowledge network. Related applications provide users with faster and more accurate services based on this network. Relational reasoning technology is one of the core modules of the whole knowledge map system. Its main task is to obtain new knowledge by processing reasoning without adding additional knowledge and using the existing knowledge in the knowledge map. This technique is of great significance for the expansion and improvement of knowledge atlas and the practical applications based on knowledge atlas. This paper makes a comprehensive investigation on the related work in the field of relational reasoning at home and abroad. On this basis, a new graph-based Relation Inferring algorithm is proposed. The algorithm consists of two parts: the global relational reasoning module and the local relational reasoning module. The two modules respectively use the connected structure between different relationship types and the structural features in a single relationship to predict the reasoning and obtain the final relational reasoning result by merging the two models. The main contributions of this paper are as follows: (1) A new relationship preprocessing method is proposed, which combines the synonyms in the knowledge map, reduces the dimension of the relationship feature space, and makes the training data in the process of model learning more adequate. A global relational reasoning algorithm is proposed, in which the knowledge map is modeled with an undirected graph for the first time, and a "entity-relation" graph is constructed. The feature path is found in the "entity-relation" graph, which is used to construct the feature vector. Finally, the prediction model of each kind of relation is obtained by using Logistic regression training. Experiments show that the modeling method of undirected graph can effectively increase the number of feature paths that can be obtained, and improve the prediction accuracy of the algorithm. A local relational reasoning algorithm is proposed, which for the first time takes into account the internal features of different relationship types. The relation subgraph of each relation is extracted from the "entity-relation" graph, and the transition probability between different entities in the subgraph is calculated, and the prediction results of the local relational reasoning model are obtained. Experimental results show that the algorithm can effectively improve the prediction performance of many-to-many relational data.) in this paper, the prediction results of global relational reasoning algorithm and local relational reasoning algorithm are fused, and the final GBRI is obtained. On three open source datasets WN18FB15k and FB40k, the prediction performance of GBRI model and other representative work is compared, and the validity of GBRI model is proved.
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.1;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 徐麗群,蔣馥;擁擠路線交通量控制的模糊推理算法[J];信息與控制;2003年02期

2 桑睨;羅敏霞;;模糊推理算法的一種新模型[J];中國(guó)計(jì)量學(xué)院學(xué)報(bào);2012年01期

3 李凡;;模糊推理算法的研究[J];數(shù)字技術(shù)與應(yīng)用;2014年05期

4 何華燦,劉永懷,張利輝;基于規(guī)則矩陣的數(shù)值化推理算法[J];西北工業(yè)大學(xué)學(xué)報(bào);1997年01期

5 袁洪芳,史天運(yùn),王信義;故障診斷專(zhuān)家系統(tǒng)中的模糊推理算法[J];北京理工大學(xué)學(xué)報(bào);1999年06期

6 李戰(zhàn)明;張永江;;基于計(jì)算型模糊推理算法的模糊控制器設(shè)計(jì)[J];計(jì)算機(jī)工程與應(yīng)用;2014年14期

7 賈立新,薛鈞義,茹峰;采用模糊Petri網(wǎng)的形式化推理算法及其應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);2003年12期

8 張穩(wěn);張桂戌;;一種改進(jìn)的基于規(guī)則的帶權(quán)模糊推理算法[J];計(jì)算機(jī)工程;2007年07期

9 潘正華;;模糊推理算法的數(shù)學(xué)原理[J];計(jì)算機(jī)研究與發(fā)展;2008年S1期

10 仇國(guó)芳;朱朝暉;;基于經(jīng)典-模糊變精度概念格的決策規(guī)則獲取及其推理算法[J];計(jì)算機(jī)科學(xué);2009年12期

相關(guān)會(huì)議論文 前5條

1 張超;賈金原;;科普益智游戲中的博弈推理算法[A];全國(guó)首屆數(shù)字（虛擬）科技館技術(shù)與應(yīng)用學(xué)術(shù)研討會(huì)論文集[C];2007年

2 李俊玲;周東岱;鐘紹春;趙瑞清;;帶重要度可信度框架規(guī)則知識(shí)表示及其模糊推理算法[A];2006年全國(guó)理論計(jì)算機(jī)科學(xué)學(xué)術(shù)年會(huì)論文集[C];2006年

3 卿銘;黃天民;陳華斌;;關(guān)于推廣簡(jiǎn)約模糊推理算法的研究[A];模糊集理論與應(yīng)用——98年中國(guó)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第九屆年會(huì)論文選集[C];1998年

4 張白一;崔尚森;;基于數(shù)據(jù)表結(jié)構(gòu)的FPN并行推理算法[A];2006年全國(guó)開(kāi)放式分布與并行計(jì)算學(xué)術(shù)會(huì)議論文集（一）[C];2006年

5 陳紅;任佳;;變結(jié)構(gòu)混合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)及其推理算法[A];第24屆中國(guó)控制與決策會(huì)議論文集[C];2012年

相關(guān)碩士學(xué)位論文 前10條

1 江瀏yN;基于圖的關(guān)系推理算法研究與實(shí)現(xiàn)[D];電子科技大學(xué);2017年

2 王慧英;基于模糊Petri網(wǎng)的并行推理算法研究[D];長(zhǎng)沙理工大學(xué);2014年

3 趙凱凱;認(rèn)知程序推理算法的優(yōu)化與實(shí)現(xiàn)[D];東南大學(xué);2015年

4 吳自勉;OWL 2 EL并行推理技術(shù)研究[D];東南大學(xué);2016年

5 申蔓蔓;基于庫(kù)所重排策略的直覺(jué)模糊Petri網(wǎng)推理算法的優(yōu)化研究[D];長(zhǎng)沙理工大學(xué);2015年

6 張健偉;主題模型LDA推理算法對(duì)比與改進(jìn)研究[D];蘇州大學(xué);2017年

7 陳晨;基于置信規(guī)則的模糊推理算法的研究與實(shí)現(xiàn)[D];南京航空航天大學(xué);2012年

8 張景云;基于吉布斯采樣推理算法的交通預(yù)測(cè)研究[D];云南大學(xué);2011年

9 胡大偉;動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的近似推理算法研究[D];合肥工業(yè)大學(xué);2009年

10 何映思;模糊控制的模糊推理算法研究[D];西南師范大學(xué);2005年

，

本文編號(hào)：1976652