三元組
- 基于多模態(tài)信息相關(guān)度計(jì)算的計(jì)算機(jī)教育領(lǐng)域?qū)嶓w鏈接
圖像視覺實(shí)體和三元組以幫助圖像完成鏈接。圖像和文本屬于兩種不同的模態(tài)，如何有效地將兩者結(jié)合以完成實(shí)體鏈接是一項(xiàng)關(guān)鍵挑戰(zhàn)。本文主要貢獻(xiàn)如下：①面向計(jì)算機(jī)學(xué)科領(lǐng)域提出一種從圖像的文本描述中提取并篩選三元組的策略，先抽取圖像文本描述中的三元組，過濾低置信度的三元組，再通過計(jì)算圖像視覺實(shí)體和三元組頭尾實(shí)體的相關(guān)度之和對(duì)集合中的三元組進(jìn)行排序，最后得到與圖像相關(guān)度最強(qiáng)的三元組，用于圖像鏈接到多模態(tài)知識(shí)圖譜后的擴(kuò)展任務(wù)；②面向計(jì)算機(jī)學(xué)科領(lǐng)域提出一種實(shí)體鏈接規(guī)則（Vis
軟件導(dǎo)刊 2023年12期2024-01-02
- 融合雙階段解碼的實(shí)體關(guān)系聯(lián)合抽取方法
圖譜需要大量的三元組，三元組的獲取除了可以通過IS-A 的上下位獲取，再就是關(guān)系抽取。關(guān)系抽取可以把文本中的實(shí)體對(duì)抽取出來，并識(shí)別出實(shí)體對(duì)之間的語義關(guān)系，形成（主體實(shí)體，關(guān)系，客體實(shí)體）的形式，這種包含了語義關(guān)鍵信息的形式，稱為實(shí)體-關(guān)系（entity-relation）三元組（triplets）。因此，關(guān)系抽取可以在知識(shí)圖譜、信息檢索、問答系統(tǒng)、情感分析、文本挖掘中廣泛應(yīng)用?，F(xiàn)有的關(guān)系抽取主要包括有監(jiān)督方法、無監(jiān)督方法、半監(jiān)督方法和開放式實(shí)體關(guān)系抽取方法
計(jì)算機(jī)工程與應(yīng)用 2023年20期2023-10-30
- 基于帶噪聲數(shù)據(jù)集的強(qiáng)魯棒性隱含三元組質(zhì)檢算法*
基本存儲(chǔ)單元是三元組，三元組由頭部實(shí)體、關(guān)系和尾部實(shí)體組成。三元組之間通過關(guān)系聯(lián)系在一起從而構(gòu)成一張巨大的有向圖。DBpedia［1］、NELL［2］等大型知識(shí)庫(kù)均是從多個(gè)網(wǎng)站上爬取，清洗制作得到的，其復(fù)雜的知識(shí)結(jié)構(gòu)往往難以有效的進(jìn)行質(zhì)檢和分析。制作知識(shí)圖譜過程中往往會(huì)引入一些噪聲數(shù)據(jù)，如虛假的關(guān)系，錯(cuò)誤的實(shí)體，甚至無中生有的三元組。由于制作知識(shí)圖譜過程各種不可避免引入噪聲三元組，這些三元組破壞了知識(shí)圖譜的網(wǎng)絡(luò)結(jié)構(gòu)，使得知識(shí)難以得到有效的展示，基于知識(shí)圖譜
計(jì)算機(jī)與數(shù)字工程 2023年5期2023-08-31
- 文物知識(shí)圖譜構(gòu)建關(guān)鍵技術(shù)研究與應(yīng)用
護(hù)；知識(shí)圖譜；三元組；關(guān)聯(lián)數(shù)據(jù)1構(gòu)建文物知識(shí)圖譜的關(guān)鍵技術(shù)1.1實(shí)體抽取技術(shù)實(shí)體抽取技術(shù)又被稱作實(shí)體識(shí)別技術(shù)。該技術(shù)指在原始語料中自動(dòng)識(shí)別和獲取命名實(shí)體。常見的實(shí)體抽取技術(shù)主要包括通過統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法抽取實(shí)體、根據(jù)規(guī)范和字典抽取實(shí)體以及通過深度認(rèn)知技術(shù)抽取實(shí)體。近年來，科學(xué)家嘗試以國(guó)際微生物命名規(guī)范和國(guó)際微生物學(xué)字典為依據(jù)確定文件中的微生物命名，并建立以國(guó)際微生物名稱標(biāo)準(zhǔn)為依據(jù)的實(shí)體識(shí)別方法。技術(shù)人員便可以通過改進(jìn)條件獲得明信片中的地址實(shí)體。部分技術(shù)人員通
計(jì)算機(jī)應(yīng)用文摘·觸控 2023年10期2023-06-02
- 基于BERT和非自回歸的醫(yī)療知識(shí)抽取
均無法解決重疊三元組問題。電子病歷中包含大量半結(jié)構(gòu)化和非結(jié)構(gòu)化信息，文本中的三元組重疊可以分為2 類：EPO 指一個(gè)實(shí)體對(duì)之間具有多種關(guān)系，例如“患者因反復(fù)腹痛，伴反酸、噯氣在我院完善相關(guān)檢查后確診胃體胃竇癌?！敝写嬖?span id="j5i0abt0b" class="hl">三元組（胃體胃竇癌，癥狀，腹痛）、（胃體胃竇癌，并發(fā)癥，腹痛）；SEO 指一個(gè)實(shí)體存在于多個(gè)三元組中，例如“患者患胃竇潰瘍，因中下腹疼痛進(jìn)行胃鏡檢查。”句子中存在三元組（胃竇潰瘍，檢查，胃鏡）、（胃竇潰瘍，癥狀，中下腹疼痛），這種多種關(guān)系和共
計(jì)算機(jī)與現(xiàn)代化 2023年1期2023-03-21
- 三元組近場(chǎng)效應(yīng)的饋電系數(shù)修正與各向異性分析
個(gè)單元構(gòu)成一個(gè)三元組。在仿真系統(tǒng)工作時(shí),三元組的3個(gè)單元可以同時(shí)工作,其輻射場(chǎng)在空中疊加,在轉(zhuǎn)臺(tái)處其合成輻射場(chǎng)的能流方向(或相位梯度方向)與真實(shí)環(huán)境下某個(gè)點(diǎn)目標(biāo)的回波的能流方向相同,從而仿真了該方向的點(diǎn)目標(biāo)[4]。改變3個(gè)單元的相對(duì)饋電幅度,就可以改變合成場(chǎng)的能流方向,從而可以對(duì)點(diǎn)目標(biāo)在不同方位位置處及整個(gè)運(yùn)動(dòng)過程中的回波進(jìn)行仿真。三元組所仿真的點(diǎn)目標(biāo)的方位位置可以使用幅度重心公式來表達(dá)[3]。根據(jù)不同的物理解釋,幅度重心公式可以有不同的導(dǎo)出方法[5-6]
系統(tǒng)工程與電子技術(shù) 2023年3期2023-03-09
- 基于三元采樣圖卷積網(wǎng)絡(luò)的半監(jiān)督遙感圖像檢索
該網(wǎng)絡(luò)將圖像的三元組作為輸入，驅(qū)動(dòng)度量學(xué)習(xí)并得到嵌入空間。目前，將三元組與三元組損失函數(shù)[4]結(jié)合使用是訓(xùn)練深度度量學(xué)習(xí)模型的常用方法。三元組即由一個(gè)錨點(diǎn)樣本、一個(gè)與錨點(diǎn)樣本同類別的正樣本以及一個(gè)來自其余類別的負(fù)樣本組成的一組訓(xùn)練樣本。由三元組損失驅(qū)動(dòng)的深度模型旨在減小同類圖像樣本在度量空間中的距離并增大不同類圖像的距離。學(xué)習(xí)得到的嵌入空間的有效性在一定程度上取決于所選擇的三元組。因此，選擇合適的三元組有助于提高度量學(xué)習(xí)模型最終的圖像檢索性能。目前一些研究
電子與信息學(xué)報(bào) 2023年2期2023-03-01
- 基于雙向語義的中文實(shí)體關(guān)系聯(lián)合抽取方法
撐［1］。關(guān)系三元組是語義關(guān)系的基本單元之一，由主體、客體及它們之間的關(guān)系所組成的關(guān)系三元組（形如＜主體，關(guān)系，客體＞）代表了句子中實(shí)體之間的語義關(guān)系，這樣的實(shí)體關(guān)系信息可以有效運(yùn)用于文本語義建模［2］?，F(xiàn)有的關(guān)系抽取方法主要分為流水線（Pipeline）關(guān)系抽取方法和聯(lián)合（Joint）關(guān)系抽取方法兩大類［3］，其中：流水線關(guān)系抽取方法將關(guān)系抽取任務(wù)劃分為兩個(gè)獨(dú)立的子任務(wù)，先從給定的句子中識(shí)別其中的實(shí)體，再對(duì)實(shí)體間關(guān)系進(jìn)行分類；聯(lián)合抽取方法通過一個(gè)聯(lián)合模型
計(jì)算機(jī)工程 2023年1期2023-01-27
- 融合語義解析的知識(shí)圖譜表示方法
-謂詞-客體的三元組形式)描述，統(tǒng)一的格式便于計(jì)算機(jī)處理.隨之谷歌提出知識(shí)圖譜(knowledge graph, KG)，其本質(zhì)是語義網(wǎng)絡(luò)的知識(shí)庫(kù)，將其用于網(wǎng)頁(yè)搜索，可從語義層次理解需求，使搜索準(zhǔn)確率提高[4].圖譜以圖模型可視化地描述了現(xiàn)實(shí)世界中信息的關(guān)聯(lián)，繼提出概念后，構(gòu)建和應(yīng)用知識(shí)圖譜得到了高速的發(fā)展.涌現(xiàn)出大量的開放知識(shí)圖譜，如WordNet[5]，DBpedia[6]，NELL[7]，YAGO[8]，F(xiàn)reebase[9]等.知識(shí)圖譜揭示了知識(shí)的
計(jì)算機(jī)研究與發(fā)展 2022年12期2022-12-15
- 面向產(chǎn)品指標(biāo)圖譜的知識(shí)表示學(xué)習(xí)方法研究
指標(biāo)參數(shù)分別用三元組的形式存儲(chǔ)起來，作為知識(shí)表示學(xué)習(xí)算法的實(shí)驗(yàn)數(shù)據(jù)集。其次，本文創(chuàng)新性地研究數(shù)值型指標(biāo)參數(shù)的分布式表示方法。設(shè)計(jì)產(chǎn)品數(shù)值型指標(biāo)的離散化區(qū)間劃分策略，通過大量的仿真實(shí)驗(yàn)驗(yàn)證了數(shù)值型指標(biāo)表示方法中的關(guān)鍵要素，即區(qū)間數(shù)量和劃分方法。再次，針對(duì)關(guān)系三元組和指標(biāo)三元組的語義差異，探索全新的聯(lián)合學(xué)習(xí)訓(xùn)練方案。本文提出了四種訓(xùn)練方案，包括單獨(dú)學(xué)習(xí)、合并學(xué)習(xí)、依次學(xué)習(xí)和交替學(xué)習(xí)，以探索指標(biāo)三元組的有效知識(shí)表示學(xué)習(xí)方法。本文在五個(gè)前沿知識(shí)表示學(xué)習(xí)算法上進(jìn)行了
- TransP：一種基于WordNet中PartOf關(guān)系的知識(shí)圖譜嵌入方法
]。知識(shí)圖譜以三元組(h,r,t)的形式編碼世界事實(shí)，其中：h表示頭實(shí)體，t表示尾實(shí)體，r表示兩者之間的關(guān)系。知識(shí)圖譜嵌入則是把每個(gè)實(shí)體和關(guān)系映射為語義空間中的一個(gè)低維向量，這是一種解決知識(shí)圖譜表示和推理問題的新方法[3]。它將實(shí)體和關(guān)系轉(zhuǎn)換為連續(xù)的低維稠密向量，可用來完成知識(shí)圖譜補(bǔ)全和三元組分類等任務(wù)[4]。近年來，知識(shí)圖譜嵌入方法層出不窮[5-21]，如非結(jié)構(gòu)化模型[5]、距離模型[6]、雙線性模型[7]、NTN模型[8]和翻譯模型等。其中，翻譯模型以
計(jì)算機(jī)應(yīng)用與軟件 2022年5期2022-07-07
- 半實(shí)物射頻仿真的誤差聯(lián)合概率密度函數(shù)分析
單元構(gòu)成了一個(gè)三元組。通過調(diào)整三元組中每個(gè)輻射單元的饋電幅度,可以模擬該點(diǎn)目標(biāo)在三元組構(gòu)成的三角形內(nèi)不同方向的回波,從而可以快速地仿真點(diǎn)目標(biāo)在運(yùn)動(dòng)軌跡上每個(gè)位置處的散射回波。三元組仿真的目標(biāo)方位位置可以由重心公式給出。對(duì)于半實(shí)物射頻仿真,相關(guān)的研究文獻(xiàn)目前主要關(guān)注以下幾個(gè)方面:仿真誤差分析,近場(chǎng)誤差與近場(chǎng)修正,仿真對(duì)象的擴(kuò)展,仿真誤差的抑制等。例如,文獻(xiàn)[4]研究了仿真的實(shí)時(shí)控制技術(shù),文獻(xiàn)[5]研究了寬帶雷達(dá)的射頻仿真問題。由于器件以及模型的非理想性,射頻
系統(tǒng)工程與電子技術(shù) 2022年5期2022-05-07
- Trans_isA:一種基于實(shí)體屬性和語義層次的表示學(xué)習(xí)方法*
,r,t)這種三元組的形式存儲(chǔ)和表示數(shù)據(jù),不同的三元組描述不同的客觀事實(shí). 表示學(xué)習(xí)是指將知識(shí)圖譜中的中文詞語或英文單詞以及用來鏈接詞語或單詞的關(guān)系在統(tǒng)一的向量空間中進(jìn)行表示,使知識(shí)圖譜由離散的符號(hào)化表示轉(zhuǎn)變?yōu)檫B續(xù)的向量,便于后續(xù)任務(wù)的完成.近年來,研究學(xué)者提出了很多關(guān)于面向知識(shí)圖譜的表示學(xué)習(xí)算法. 本文主要針對(duì)翻譯模型展開研究,這類模型簡(jiǎn)單且高效,如TransE[2]、TransH[3]、TransR/CTransR[4]、TransM[5]、Trans
- 時(shí)序知識(shí)圖譜的增量構(gòu)建
實(shí)體間的關(guān)系或三元組中缺失的實(shí)體進(jìn)行補(bǔ)全，即知識(shí)圖譜補(bǔ)全（knowledge graph completion，KGC）。其中，一些封閉世界下的KGC 方法，不考慮新增的實(shí)體關(guān)系，如基于路徑和規(guī)則預(yù)測(cè)實(shí)體間的新關(guān)系和基于元學(xué)習(xí)預(yù)測(cè)實(shí)體關(guān)系，使KG 更加完整。學(xué)者們還考慮到新增的外部知識(shí)，即開放世界下的KGC，如Socher 等提出了基于張量神經(jīng)網(wǎng)絡(luò)（neural tensor network，NTN）的模型，用以推斷實(shí)體間的關(guān)系，通過訓(xùn)練KG 中的三元組來
計(jì)算機(jī)與生活 2022年3期2022-03-13
- 基于改進(jìn)多嵌入空間的實(shí)時(shí)語義數(shù)據(jù)流推理
mework）三元組加時(shí)間標(biāo)注的方式進(jìn)行表示，可以形成實(shí)時(shí)語義數(shù)據(jù)流數(shù)據(jù)，基于實(shí)時(shí)語義數(shù)據(jù)流的RDF 流推理逐漸引起研究人員的關(guān)注。目前的語義數(shù)據(jù)流推理引擎包括集中式和分布式兩大類：集中式流推理以CSPARQL（Continuous SPARQL）［1］引擎為代 表，使 用Esper［2］、Jena［3］和Sesame［4］進(jìn)行窗口運(yùn)算以及處理查詢；分布式流推理屬于新興領(lǐng)域，目前尚處于研究階段，主要包括CQELS［5］的分布式版本、基于Storm 集群的K
計(jì)算機(jī)工程 2022年2期2022-02-24
- 基于四元數(shù)膠囊網(wǎng)絡(luò)的知識(shí)圖譜補(bǔ)全模型
譜采用RDF 三元組的形式描述真實(shí)世界中的關(guān)系和頭、尾實(shí)體，即（主語，謂語，賓語），例如（Chicago，City_Of，US）。知識(shí)圖譜已被廣泛應(yīng)用于許多行業(yè)與領(lǐng)域，如推薦系統(tǒng)［4］、問答系統(tǒng)［5］、搜索系統(tǒng)［6］和自然語言處理［7］。盡管KG 應(yīng)用場(chǎng)景較為廣泛，但是知識(shí)圖譜仍不完整，即缺少大量真實(shí)客觀三元組［8-11］。為此，研究人員提出許多典型嵌入模型，如TransE［12］、TransH［13］、TransR［14］等模型，這些模型用來學(xué)習(xí)KG 中
計(jì)算機(jī)工程 2022年2期2022-02-24
- 基于知識(shí)表示學(xué)習(xí)的實(shí)時(shí)語義數(shù)據(jù)流推理
規(guī)則生成預(yù)測(cè)的三元組集合，最后輸入給擴(kuò)展的KALE模型并計(jì)算出推理結(jié)果。1 相關(guān)工作1.1 實(shí)時(shí)語義數(shù)據(jù)流推理語義數(shù)據(jù)流中的信息是不斷變化與更新的，因此傳統(tǒng)的語義推理和查詢的方法無法適用于這種情況?，F(xiàn)在已經(jīng)有一些工作能夠處理動(dòng)態(tài)RDF數(shù)據(jù)流。例如Streaming SPARQL[8]、C-SPARQL、CQELS[9]、EP-SPARQL[10]等。Streaming SPARQL 基于時(shí)代關(guān)系函數(shù)，用來擴(kuò)展SPARQL語言，雖然支持RDF流處理，但是沒有
計(jì)算機(jī)應(yīng)用與軟件 2022年2期2022-02-19
- Text2DT: 面向臨床診療文本的決策規(guī)則抽取技術(shù)*
決策節(jié)點(diǎn) 使用三元組與邏輯關(guān)系符號(hào)對(duì)診療決策樹進(jìn)行規(guī)范化和結(jié)構(gòu)化，并使用二叉樹結(jié)構(gòu)來建模診療決策流程。診療決策樹中節(jié)點(diǎn)可以被表示為N={C/D,L(t1,……,tn_tri)}。其中C/D表示該節(jié)點(diǎn)是一個(gè)條件/決策節(jié)點(diǎn)；t=(sub,rel,obj)是一個(gè)描述診療知識(shí)或臨床信息的三元組，是診療決策關(guān)鍵信息的結(jié)構(gòu)化表示；L表示多個(gè)三元組之間的邏輯關(guān)系(and，or，null，當(dāng)三元組的個(gè)數(shù)小于等于1時(shí)邏輯關(guān)系為null)；L(t1,……,tn_tri)表示條
醫(yī)學(xué)信息學(xué)雜志 2022年12期2022-02-13
- 基于多跳注意力的實(shí)體關(guān)系聯(lián)合抽取方法及應(yīng)用研究
法解決重疊關(guān)系三元組抽取問題，而重疊關(guān)系三元組大量存在于文本數(shù)據(jù)之中，導(dǎo)致前述方法對(duì)三元組的抽取效果不佳。針對(duì)重疊關(guān)系三元組抽取問題，近年來有采用圖結(jié)構(gòu)的方式[15-16]或是采用基于復(fù)制機(jī)制的序列到序列方法[17]均取得了一定進(jìn)展，但都是將關(guān)系視為實(shí)體對(duì)上的離散標(biāo)簽，導(dǎo)致抽取效率不高且模型開銷大。近年WEI et al[18]提出的CasRel模型將關(guān)系建模為頭實(shí)體映射到尾實(shí)體的函數(shù)，建立多關(guān)系的標(biāo)注器，為解決重疊關(guān)系三元組抽取問題提供了新的模式。但該模
太原理工大學(xué)學(xué)報(bào) 2022年1期2022-01-27
- 一種基于子陣重構(gòu)的三元線陣左右舷分辨方法
。此方法可用于三元組線陣，將三元組三線陣波束形成與三子陣 STMV波束形成結(jié)合，從而在最終的多波束輸出中獲得無鏡像模糊的目標(biāo)信號(hào)輸出。但在實(shí)際使用中發(fā)現(xiàn)，當(dāng)外部因素造成三元拖曳線陣發(fā)生大幅度的首尾不同扭轉(zhuǎn)時(shí)，按照三元組中三水聽器安裝通道號(hào)劃分子陣進(jìn)行 STMV處理的多波束輸出的左右舷分辨能力會(huì)大幅下降甚至出現(xiàn)分辨錯(cuò)誤。本文提出一種按照三元組上各水聽器滾轉(zhuǎn)后的實(shí)際位置重構(gòu)子陣，再進(jìn)行STMV處理。湖試結(jié)果證明，采用此方法后，當(dāng)實(shí)際三元拖曳線陣發(fā)生大幅度首尾不
聲學(xué)與電子工程 2021年4期2022-01-11
- 基于視角一致性三元組損失的車輛重識(shí)別技術(shù)
神經(jīng)網(wǎng)絡(luò)提出了三元組的訓(xùn)練方式，通過充分學(xué)習(xí)三元組中正樣本對(duì)與負(fù)樣本對(duì)的相對(duì)相似性，提升了模型的表現(xiàn)性能。相比于基于手工特征的方法，基于深度特征的方法已經(jīng)取得較大的突破，但車輛重識(shí)別任務(wù)依然存在以下幾個(gè)挑戰(zhàn)：首先是多視角挑戰(zhàn)，即車輛外觀在不同視角下急劇變化導(dǎo)致了所提取特征的不穩(wěn)定性。如圖2所示，每一行是同一輛車不同視角的圖像，每一列是不同的車相似視角下的圖像，模型很容易認(rèn)為圖2(a)和圖2(d)比圖2(b)、圖2(c)更相似。其次是車型近似重復(fù)挑戰(zhàn)，即市面
測(cè)控技術(shù) 2021年8期2021-08-30
- 基于關(guān)聯(lián)文本的知識(shí)圖譜表示學(xué)習(xí)研究
化信息，通常由三元組的集合構(gòu)成，每個(gè)三元組表示為（h，r，t）其中h、r、t分別表示頭實(shí)體、關(guān)系和尾實(shí)體[1]。搜索引擎、問答系統(tǒng)以及推薦系統(tǒng)等都非常依賴現(xiàn)有的知識(shí)圖譜（Knowledge Graph，KG），如Freebase、WordNet等，表示學(xué)習(xí)在這些應(yīng)用中起到了至關(guān)重要的作用。最近的嵌入技術(shù)方面的工作已經(jīng)大大提高了鏈接預(yù)測(cè)的準(zhǔn)確性，但是大多數(shù)方法僅依賴知識(shí)圖譜中的已知事實(shí)，它們的預(yù)測(cè)能力會(huì)受到數(shù)據(jù)庫(kù)中不完整信息的限制，一種簡(jiǎn)單且有效的改進(jìn)途徑是
現(xiàn)代計(jì)算機(jī) 2021年20期2021-08-23
- 基于知識(shí)表示學(xué)習(xí)的知識(shí)可信度評(píng)估
知的背景信息對(duì)三元組的可信度進(jìn)行計(jì)算。具體地，對(duì)于三元組的可信度，使用一個(gè)［0，1］區(qū)間的數(shù)值進(jìn)行衡量，數(shù)值越接近0，三元組成立的可能性越小，數(shù)值越接近1，三元組成立的可能性越大［5］。目前，對(duì)于知識(shí)可信度評(píng)估的研究主要采用基于表示學(xué)習(xí)的方法，具有良好性能表現(xiàn)的模型包括基于交叉神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的可信度計(jì)算模型KGTtm［5］、帶置信度的知識(shí)表示學(xué)習(xí)模型CKRL［6］和一系列基于CKRL 進(jìn)行改進(jìn)的模型［7-8］以及基于規(guī)則的表示學(xué)習(xí)可信度計(jì)算模型［9-11］，
計(jì)算機(jī)工程 2021年7期2021-07-27
- BSLRel： 基于二元序列標(biāo)注的級(jí)聯(lián)關(guān)系三元組抽取模型
取的目的。關(guān)系三元組抽取作為信息抽取的子任務(wù)，其目的是從自然語言文本(常常以句子為輸入單位)中抽取兩個(gè)實(shí)體及實(shí)體之間的關(guān)系。該任務(wù)是構(gòu)建大規(guī)模知識(shí)圖譜的關(guān)鍵，被廣泛運(yùn)用在信息檢索、問答系統(tǒng)等相關(guān)任務(wù)中[1]。在關(guān)系三元組抽取任務(wù)中，關(guān)系事實(shí)大多以形如“(subject, predicate, object)”或“(head，relation，tail)”的三元組形式表示。其中，subject(或head)稱為頭實(shí)體，object(或tail)稱為尾實(shí)體，p
中文信息學(xué)報(bào) 2021年6期2021-07-23
- 基于貝葉斯網(wǎng)的開放世界知識(shí)圖譜補(bǔ)全
和尾實(shí)體構(gòu)成的三元組表示一個(gè)事實(shí)。知識(shí)圖譜補(bǔ)全（Knowledge Graph Completion，KGC）指通過預(yù)測(cè)實(shí)體之間的新關(guān)系來構(gòu)造三元組［6］，從而提升KG 中知識(shí)的豐富程度［7］。將實(shí)體和關(guān)系表示為低維空間中的向量，是一類有效的KGC 方法，通過向量間的計(jì)算來解決KG內(nèi)部的關(guān)系預(yù)測(cè)問題。但現(xiàn)實(shí)世界中的知識(shí)在不斷增加變化，這要求KG 及時(shí)補(bǔ)充現(xiàn)實(shí)世界中的知識(shí)，而這類KGC 方法難以滿足從現(xiàn)實(shí)世界中學(xué)習(xí)知識(shí)的要求。因此，研究人員將KG 內(nèi)部的補(bǔ)全
計(jì)算機(jī)工程 2021年6期2021-06-18
- 實(shí)體摘要系統(tǒng)的解釋性評(píng)測(cè)
述該實(shí)體的一條三元組，DBpedia和Wikidata等知名知識(shí)圖譜中包含的三元組總量達(dá)到十億級(jí)，一些實(shí)體被許多三元組描述，例如，DBpedia中描述實(shí)體Barack Obama的三元組有一千多條。然而，在基于知識(shí)圖譜為終端用戶提供信息服務(wù)的應(yīng)用中，為了避免用戶信息過載，信息呈現(xiàn)空間通常有限，例如谷歌的知識(shí)卡片僅能呈現(xiàn)少量三元組，描述實(shí)體的三元組數(shù)量往往超過應(yīng)用允許的限制。研究者將解決上述問題的方法稱作實(shí)體摘要（entity summarization，E
大數(shù)據(jù) 2021年3期2021-06-09
- Brauer特征標(biāo)三元組及其誘導(dǎo)子
)為一個(gè)特征標(biāo)三元組，該定義出現(xiàn)在Isaacs的特征標(biāo)經(jīng)典教材[1]中第186頁(yè)。類似地，固定一個(gè)特征為素?cái)?shù)p的代數(shù)閉域，通常記IBr(N)為N的關(guān)于素?cái)?shù)p的所有不可約Brauer特征標(biāo)的集合，如果φ∈IBr(N)也是G-不變的，則稱(G，N，φ)為一個(gè)模特征標(biāo)三元組，該定義見Navarro模表示教材[2]中定義8.25，在本文中我們稱之為Brauer特征標(biāo)三元組。事實(shí)上，關(guān)于特征標(biāo)三元組，無論是復(fù)特征標(biāo)還是Brauer特征標(biāo)，不僅本身獲得了很多深刻的結(jié)果
- 開放域信息抽取研究綜述
化信息常用關(guān)系三元組(實(shí)體1;關(guān)系;實(shí)體2)的形式表示。傳統(tǒng)的信息抽取任務(wù)預(yù)先給定一組關(guān)系類別集合，限定關(guān)系類別以及文本的領(lǐng)域，在給定實(shí)體對(duì)的情況下可以將信息抽取看作是對(duì)實(shí)體對(duì)的多分類問題。但開放域信息抽?。∣pen Domain Information Extraction，Open IE）[1]不限定關(guān)系類別，從文本中抽取所有可能的關(guān)系三元組，例如：給定句子“自然語言處理是計(jì)算機(jī)科學(xué)的一個(gè)方向”，開放域信息抽取能夠從中提取出關(guān)系三元組(自然語言處理；是
現(xiàn)代計(jì)算機(jī) 2021年7期2021-05-12
- 特征標(biāo)三元組的本原誘導(dǎo)子
)為一個(gè)特征標(biāo)三元組，如果G為任意群，N?G為G的正規(guī)子群，θ∈Irr(N)為N的一個(gè)不可約特征標(biāo)且為G-不變的。特征標(biāo)三元組是群表示論中重要的研究對(duì)象，具有豐富的內(nèi)容和深刻的成果，以及重要而廣泛的應(yīng)用。例如，近年來關(guān)于群表示論中著名的McKay猜想取得了一系列重大進(jìn)展，在約化為單群的過程中，特征標(biāo)三元組的誘導(dǎo)子技術(shù)和上同調(diào)理論即發(fā)揮了核心作用，相關(guān)的具體內(nèi)容和前沿文獻(xiàn)可參考Navarro的最新專著[3]。關(guān)于特征標(biāo)三元組的最新研究成果可以參考相關(guān)文獻(xiàn)[4
- 基于卷積神經(jīng)網(wǎng)絡(luò)的知識(shí)圖譜補(bǔ)全方法研究
充分挖掘，補(bǔ)全三元組成為亟需解決的問題。近幾年，很多工作利用卷積神經(jīng)網(wǎng)絡(luò)表示知識(shí)圖譜中實(shí)體和關(guān)系，并進(jìn)行知識(shí)圖譜補(bǔ)全，從而完善知識(shí)圖譜。知識(shí)圖譜是一種描述真實(shí)世界客觀存在的實(shí)體、概念及它們之間關(guān)聯(lián)關(guān)系的語義網(wǎng)絡(luò)[2]，是結(jié)構(gòu)化的語義知識(shí)庫(kù)[3]，其中實(shí)體使用節(jié)點(diǎn)代替，關(guān)系用邊表示，表示形式為三元組(h,r,t)，即(頭實(shí)體，關(guān)系，尾實(shí)體)。隨著知識(shí)圖譜規(guī)模越來越大，三元組數(shù)據(jù)稀疏問題愈加嚴(yán)重。知識(shí)圖譜的表示學(xué)習(xí)技術(shù)將三元組中實(shí)體和關(guān)系表示成向量，在低維向量
計(jì)算機(jī)應(yīng)用與軟件 2021年4期2021-04-15
- 結(jié)合平移關(guān)系嵌入和CNN的知識(shí)圖譜補(bǔ)全
1]是有效事實(shí)三元組的集合，三元組由頭實(shí)體、關(guān)系和尾實(shí)體組成，表示為(h，r，t)，h和t分別對(duì)應(yīng)頭、尾實(shí)體，r表示頭、尾實(shí)體之間的關(guān)系。知識(shí)庫(kù)廣泛應(yīng)用于語義搜索引擎[2]、問題解答技術(shù)[3-4]、專家系統(tǒng)和社交網(wǎng)絡(luò)分析等領(lǐng)域[5]。然而，現(xiàn)有知識(shí)庫(kù)存在大量缺失事實(shí)，即三元組不完整，缺少實(shí)體或關(guān)系[6]。知識(shí)圖譜補(bǔ)全[7]旨在解決上述問題，通過提取局部模式[8]或語義特征，用已知信息生成新的有效事實(shí)，經(jīng)典模型如TransE[9]和ConvE[10]。實(shí)體之
中文信息學(xué)報(bào) 2021年1期2021-03-18
- 聯(lián)合FOL規(guī)則的知識(shí)圖譜表示學(xué)習(xí)方法
基本組成單位是三元組，如（周杰倫，妻子，昆凌）記錄周杰倫和昆凌之間的夫妻關(guān)系。這種三元組表示盡管能夠有效表示結(jié)構(gòu)化數(shù)據(jù)，但底層符號(hào)特征使得知識(shí)圖譜難以操作[2]，面臨計(jì)算效率差和重用性差等問題。為解決這一問題，知識(shí)圖譜表示學(xué)習(xí)得到廣泛關(guān)注，其主要目的是將實(shí)體和關(guān)系嵌入到低維連續(xù)向量空間，保留豐富語義信息的同時(shí)，在低維空間中高效計(jì)算實(shí)體和關(guān)系的語義聯(lián)系，簡(jiǎn)化操作[2-3]。傳統(tǒng)的知識(shí)圖譜表示學(xué)習(xí)模型只關(guān)注內(nèi)部的事實(shí)三元組，忽略了其他背景知識(shí)。隨著研究的進(jìn)行，
計(jì)算機(jī)工程與應(yīng)用 2021年4期2021-02-22
- 基于分層序列標(biāo)注的實(shí)體關(guān)系聯(lián)合抽取方法
標(biāo)注方式來解決三元組重疊問題。實(shí)驗(yàn)證明, HSL 模型能有效地解決三元組重疊問題, 在軍事語料數(shù)據(jù)集上 F1 值達(dá)到 80.84%, 在公開的 WebNLG 數(shù)據(jù)集上 F1 值達(dá)到 86.4%, 均超過目前主流的三元組抽取模型, 提升了三元組抽取的效果。實(shí)體關(guān)系聯(lián)合抽取; 三元組重疊; 序列標(biāo)注; 知識(shí)圖譜; HSL實(shí)體關(guān)系三元組抽取是知識(shí)圖譜構(gòu)建過程中不可缺少的步驟, 實(shí)體關(guān)系三元組抽取指從文本中抽取出實(shí)體對(duì), 并確定實(shí)體之間的關(guān)系。實(shí)體關(guān)系三元組結(jié)構(gòu)為
- 基于半邊原理的知識(shí)圖譜補(bǔ)全
中,知識(shí)表示為三元組(即RDF三元組)的形式,使得知識(shí)能夠得到結(jié)構(gòu)化處理[1]。人們必須為知識(shí)圖譜應(yīng)用設(shè)計(jì)各種基于圖形的方法,然而知識(shí)圖譜中的知識(shí)不能作為完備的知識(shí),尤其是在大規(guī)模知識(shí)圖譜上下文中,需要不斷補(bǔ)充其中的實(shí)體關(guān)系進(jìn)行知識(shí)圖譜補(bǔ)全[2]。同時(shí),現(xiàn)有的知識(shí)圖譜均以三元組的形式表示知識(shí),這限定了知識(shí)必須包含頭實(shí)體、關(guān)系和尾實(shí)體三部分,但實(shí)際上三元組并不是適合所有知識(shí)的表示方式。例如管理員想查找某學(xué)生的導(dǎo)師A的博士論文,但是已有知識(shí)庫(kù)中并沒有導(dǎo)師A的博
計(jì)算機(jī)工程 2020年11期2020-11-14
- 具有關(guān)系敏感嵌入的知識(shí)庫(kù)錯(cuò)誤檢測(cè)
識(shí)庫(kù)中準(zhǔn)確地對(duì)三元組進(jìn)行識(shí)別和錯(cuò)誤檢查，并且對(duì)糾正三元組的錯(cuò)誤具有較高精準(zhǔn)性。圖1 中，對(duì)于關(guān)系“家人近期病史”，可以對(duì)應(yīng)的不同主體是離散的，主體可以是“市民 A”、“市民B”等，客體也是離散的，可以是“SARS-COV 病毒”、“COVID-19 病毒”等，彼此之間沒有必然的關(guān)系。但是對(duì)于關(guān)系對(duì)而言，它們會(huì)產(chǎn)生局部相交，如同對(duì)于三元組(“市民 A”，“患病”，“COVID-19 病毒(Corona Virus Disease 2019)”)和(“市民 A
網(wǎng)絡(luò)安全與數(shù)據(jù)管理 2020年10期2020-10-28
- 基于卷積神經(jīng)網(wǎng)絡(luò)的高效知識(shí)表示模型①
的節(jié)點(diǎn)組成一個(gè)三元組。一般形式為(頭實(shí)體，關(guān)系，尾實(shí)體)，比如：(希區(qū)柯克，導(dǎo)演，驚魂記)，也可以縮寫為(h,r,t)。然而，一些大規(guī)模的知識(shí)圖譜，比如世界知識(shí)庫(kù)Freebase[3]、百科知識(shí)庫(kù)DBpedia[4]和多語言知識(shí)庫(kù)YAGO[5]，通常是不完整的，缺少大量的合理三元組[6,7]，知識(shí)補(bǔ)全(又稱為鏈接預(yù)測(cè))任務(wù)[8]被提出來解決這個(gè)問題。知識(shí)補(bǔ)全也稱為鏈接預(yù)測(cè)，即預(yù)測(cè)一個(gè)三元組(h,r,t)是否是合理的知識(shí)，所采用的方法主要是基于知識(shí)表示的模型
高技術(shù)通訊 2020年9期2020-10-19
- K-VQA：一種知識(shí)圖譜輔助下的視覺問答方法
取知識(shí)圖譜中的三元組，獲取問題答案。結(jié)果表明，不同的視覺問答技術(shù)適用于不同類型的問題，K-VQA方法既能回答簡(jiǎn)單問題也能回答推理性問題，準(zhǔn)確率高達(dá)56.67%。因此，作為知識(shí)圖譜輔助下的視覺問答方法，K-VQA可以回答更多類型的問題并獲得較高的準(zhǔn)確率，對(duì)于深入研究VQA和VQA方法具有重要的參考價(jià)值。關(guān)鍵詞：知識(shí)工程;視覺問答;外部知識(shí);知識(shí)圖譜;三元組中圖分類號(hào)：TP392?文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1008-1542（2020）04-0315-12doi
河北科技大學(xué)學(xué)報(bào) 2020年4期2020-09-10
- 改進(jìn)的膠囊網(wǎng)絡(luò)知識(shí)圖譜補(bǔ)全方法
系數(shù)據(jù)并表示為三元組(頭實(shí)體,關(guān)系,尾實(shí)體)的形式[2]。盡管知識(shí)圖譜在各領(lǐng)域有著重要應(yīng)用,但許多大型知識(shí)圖譜如Freebase、DBpedia等數(shù)據(jù)關(guān)系仍不完整,大量實(shí)體之間隱含的關(guān)系未被充分挖掘[3]。知識(shí)圖譜補(bǔ)全技術(shù)旨在發(fā)現(xiàn)三元組中的缺失鏈接,解決知識(shí)圖譜數(shù)據(jù)稀疏問題,即預(yù)測(cè)缺失三元組是否正確[4-6],將正確三元組添加到知識(shí)圖譜進(jìn)行補(bǔ)全。目前,研究者提出許多嵌入模型用于學(xué)習(xí)實(shí)體和關(guān)系的矢量表示,如早期的TransE[7]、TransH[8]、Tra
計(jì)算機(jī)工程 2020年8期2020-08-19
- 基于多特征語義匹配的知識(shí)庫(kù)問答系統(tǒng)
知識(shí)通常被叫作三元組（主語、謂語、賓語），其中主語和賓語代表知識(shí)庫(kù)中的節(jié)點(diǎn)，謂語被用來連接主語和賓語。知識(shí)庫(kù)中大量三元組的連接構(gòu)成一個(gè)有向圖，主語和賓語代表圖中的節(jié)點(diǎn)，謂語是從主語指向賓語的有向邊。如何根據(jù)知識(shí)庫(kù)中海量的事實(shí)三元組來實(shí)現(xiàn)知識(shí)問答成為目前研究的熱點(diǎn)，基于知識(shí)庫(kù)問答任務(wù)在于根據(jù)用戶提出的自然語言問題從知識(shí)庫(kù)中得到匹配的事實(shí)三元組，并返回三元組中的賓語作為問題的答案。由于自然語言問題表達(dá)的多樣性，它與知識(shí)庫(kù)中結(jié)構(gòu)化的三元組事實(shí)存在語義差異，比如問
計(jì)算機(jī)應(yīng)用 2020年7期2020-08-06
- 一種精細(xì)表示多值屬性的知識(shí)圖譜嵌入模型*
便于鏈接預(yù)測(cè)、三元組分類、關(guān)系抽取、知識(shí)庫(kù)問答等下游任務(wù)的執(zhí)行。近年來，很多知識(shí)圖譜嵌入模型被提出，它們主要分為兩大類［1～2］：1）翻譯距離模型（translational distance models），典型的有 TransE［7］、TransH［8］、TransR［9］、TransD［10］、KR-EAR［11］；2）語義匹配模型（semantic matching models），典型的有RESCAL［12］和 DistMult［13］。KR-E
計(jì)算機(jī)與數(shù)字工程 2020年3期2020-06-09
- 改進(jìn)的TransH模型在知識(shí)表示與推理領(lǐng)域的研究
含著大量的事實(shí)三元組，將實(shí)體(包括概念、屬性值)表示成知識(shí)圖譜中的節(jié)點(diǎn)，節(jié)點(diǎn)之間的連接表示關(guān)系，以(頭實(shí)體，關(guān)系，尾實(shí)體)[表示為(h，r，t)]的形式存儲(chǔ)，用網(wǎng)狀的結(jié)構(gòu)展示所獲取的知識(shí)。目前，已經(jīng)建成的知識(shí)圖譜包括Yago[6]、DBpedia[7]、FreeBase[8]等。雖然在過去的十幾年中，知識(shí)圖譜取得了巨大的發(fā)展，但是還存在著一些局限，其中知識(shí)圖譜不能包含所有的知識(shí)就是一個(gè)重大的局限，知識(shí)圖譜的不完整性嚴(yán)重制約了AI領(lǐng)域中應(yīng)用程序的效能，如何通
- 膠囊網(wǎng)絡(luò)在知識(shí)圖譜補(bǔ)全中的應(yīng)用
aph）是事實(shí)三元組的集合，節(jié)點(diǎn)代表實(shí)體，邊代表實(shí)體間關(guān)系[1]?，F(xiàn)如今，很多知識(shí)圖譜，如YAGO[2]、Freebase[3]、DBpedia[4]和NELL[5]已經(jīng)被創(chuàng)建并成功應(yīng)用于一些現(xiàn)實(shí)應(yīng)用程序中[6]。知識(shí)圖譜提供有效的結(jié)構(gòu)化信息，成為包括推薦系統(tǒng)[7]、問答[8]、信息檢索[9]和自然語言處理[10]在內(nèi)的智能應(yīng)用程序的關(guān)鍵資源。盡管知識(shí)圖譜在各領(lǐng)域有著重要應(yīng)用，很多大型知識(shí)圖譜仍不完整，大量實(shí)體之間隱含的關(guān)系沒有被充分地挖掘出來[11]。針
計(jì)算機(jī)工程與應(yīng)用 2020年8期2020-04-24
- 特征標(biāo)三元組的誘導(dǎo)子映射
是所謂的特征標(biāo)三元組T=(G,N,θ),其中G是一個(gè)有限群,N?G為G的正規(guī)子群，θ∈Irr(N)為N的一個(gè)不可約復(fù)特征標(biāo)且為G-不變的。關(guān)于特征標(biāo)三元組的研究可以參考[1-5]。關(guān)于特征標(biāo)三元組的研究,目前已經(jīng)取得了豐富的內(nèi)容和成果。特別是為了證明M-群的若干著名猜想以及處理特征標(biāo)對(duì)應(yīng)理論中相關(guān)的重要問題,Dade在系列論文[6-8]中創(chuàng)立了特征標(biāo)三元組的穩(wěn)定子極限理論,并深入考察了極限情形下的不變量。Isaacs在[9]中借助特征標(biāo)三元組的誘導(dǎo)子和擬本
- 基于三元組結(jié)構(gòu)的有向網(wǎng)鏈路預(yù)測(cè)方法
宏，劉樹新基于三元組結(jié)構(gòu)的有向網(wǎng)鏈路預(yù)測(cè)方法常圣，馬宏，劉樹新（國(guó)家數(shù)字交換系統(tǒng)工程技術(shù)研究中心，河南 鄭州 450002）當(dāng)前鏈路預(yù)測(cè)的研究主要集中在無向網(wǎng)絡(luò)，然而現(xiàn)實(shí)世界中存在大量的有向網(wǎng)絡(luò)，忽略鏈路的方向會(huì)缺失一些重要信息甚至使預(yù)測(cè)失去意義，而直接將無向網(wǎng)絡(luò)的預(yù)測(cè)方法應(yīng)用于有向網(wǎng)絡(luò)又存在預(yù)測(cè)精度降低的問題。為此，提出了一個(gè)基于三元組的有向網(wǎng)絡(luò)鏈路預(yù)測(cè)算法，該算法針對(duì)有向網(wǎng)絡(luò)和無向網(wǎng)絡(luò)三元組結(jié)構(gòu)的不同，應(yīng)用勢(shì)理論對(duì)三元組進(jìn)行篩選，通過統(tǒng)計(jì)分析不同三元組
網(wǎng)絡(luò)與信息安全學(xué)報(bào) 2019年5期2019-10-18
- 一種基于三元加權(quán)波束形成的線陣左右舷分辨方法
到達(dá)線陣中每組三元組里三個(gè)水聽器的幅度和相對(duì)時(shí)延關(guān)系，通過設(shè)置使目標(biāo)信號(hào)在鏡像方向的波束輸出為0的加權(quán)系數(shù)[7]，再結(jié)合線陣常規(guī)波束形成方法，來實(shí)現(xiàn)三元組線列陣波束輸出的左右舷分辨。1 理論分析1.1 三元線陣坐標(biāo)系建立三元線陣在三維直角坐標(biāo)系中的位置模型，示意圖見圖1。該線陣水平方向的每個(gè)三元組部件由三個(gè)無指向性水聽器構(gòu)成。每個(gè)三元組的三個(gè)水聽器分布在一個(gè)半徑為r的圓周上并形成一個(gè)等邊三角形。三元組中心為On，水平間距為d，橫滾為那么，該三元陣水聽器各陣
聲學(xué)與電子工程 2019年3期2019-10-14
- 關(guān)于余撓三元組的periodic-模
8]討論了余撓三元組及其應(yīng)用；2017年狄振興等[9]提出并研究了Abel范疇上關(guān)于余撓三元組的傾斜子范疇.受此啟發(fā)，本文主要研究關(guān)于余撓三元組的Periodic-模.本文中的環(huán)R均指有單位元的結(jié)合環(huán)，模指酉左R-模.R-Mod表示左R-模范疇，P和I分別表示投射左R-模類和內(nèi)射左R-模類.設(shè)C為R-模類，C的右正交類定義為對(duì)任意C∈C都有對(duì)偶地，C的左正交類定義為對(duì)任意C∈C都有特別地，記設(shè)X、Y、Z為3個(gè)R-模類.稱對(duì)子(X，Y)是一個(gè)余撓對(duì)，如果稱余
- 一個(gè)時(shí)態(tài)RDF存儲(chǔ)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)
等補(bǔ)充了非限定三元組的語法語義，并提出了tGRIN索引結(jié)構(gòu)將時(shí)態(tài)RDF存儲(chǔ)在關(guān)系型數(shù)據(jù)庫(kù)中[3-4]。Geetha等針對(duì)海量RDF存儲(chǔ)和語義網(wǎng)大量歷史數(shù)據(jù)存儲(chǔ)的問題，提出了一個(gè)基于語義的時(shí)態(tài)視圖機(jī)制，通過演示驗(yàn)證了該機(jī)制可提高RDF三元組中的時(shí)變數(shù)據(jù)緩存到主存的效率[5-6]。時(shí)態(tài)RDF由于其獨(dú)特的語義支持和推理機(jī)制，通常應(yīng)用于人工智能領(lǐng)域中，如電力系統(tǒng)中[7]以及機(jī)器閱讀技術(shù)中等。對(duì)數(shù)據(jù)的管理離不開數(shù)據(jù)庫(kù)的支持，而對(duì)于時(shí)態(tài)RDF數(shù)據(jù)的管理要建立在時(shí)態(tài)數(shù)據(jù)
計(jì)算機(jī)技術(shù)與發(fā)展 2018年12期2018-12-20
- 三元組線列陣分裂波束目標(biāo)方位跟蹤方法
君紅，周勝增?三元組線列陣分裂波束目標(biāo)方位跟蹤方法尹子源，譚君紅，周勝增(上海船舶電子設(shè)備研究所，上海 201108)針對(duì)單線陣進(jìn)行弱目標(biāo)跟蹤時(shí)容易受到強(qiáng)目標(biāo)影響的問題，將三元組線列陣進(jìn)行分裂波束定向，可提高對(duì)弱目標(biāo)的方位跟蹤能力。通過將三元組線列陣等分為兩個(gè)三元組子陣，對(duì)兩個(gè)三元組子陣分別進(jìn)行心形波束形成，利用各自心形波束輸出進(jìn)行分裂波束處理得到目標(biāo)方位。與常規(guī)單線陣分裂波束目標(biāo)跟蹤方法相比，該方法不但能給出跟蹤目標(biāo)的左右舷信息，同時(shí)提高了不同舷側(cè)存在多
聲學(xué)技術(shù) 2018年5期2018-11-15
- 分布式本體調(diào)試信息的存儲(chǔ)優(yōu)化與增量更新
理部分.將原始三元組中的資源數(shù)據(jù)以數(shù)字id的方式編碼壓縮，以減少數(shù)據(jù)的讀寫量，將盡量多的數(shù)據(jù)讀入內(nèi)存，達(dá)到加速的效果.需要存儲(chǔ)的數(shù)據(jù)包括編碼后的三元組，以及資源與id的對(duì)應(yīng)關(guān)系.這些數(shù)據(jù)主要用于推理和辯解信息解碼.第2部分，本體推理部分.包括RDFS推理和OWL pD*推理，應(yīng)用RDFS和OWL pD*規(guī)則進(jìn)行推理，將推理出的三元組存儲(chǔ)于數(shù)據(jù)庫(kù)，循環(huán)執(zhí)行兩種推理機(jī)直到?jīng)]有新的三元組產(chǎn)生.主要存儲(chǔ)信息包括以七元組形式表示的蘊(yùn)含及其調(diào)試信息.第3部分，本體調(diào)試
鄭州大學(xué)學(xué)報(bào)（理學(xué)版） 2018年4期2018-11-08
- 關(guān)于特征標(biāo)線性極限的若干結(jié)果
N,ψ)為一個(gè)三元組。文獻(xiàn)[1]引入了三元組T的線性約化和線性極限等一系列基本概念,主要結(jié)果是證明了T的所有線性極限都是等價(jià)的,相關(guān)概念和結(jié)果我們將在下節(jié)給予簡(jiǎn)介。事實(shí)上,三元組的極限理論產(chǎn)生于研究M-群的正規(guī)子群的單項(xiàng)性問題。熟知M-群是可解群中非常重要的一類群,其不可約特征標(biāo)都是單項(xiàng)的,即均可從子群的線性特征標(biāo)誘導(dǎo)得到。關(guān)于M-群還有很多重要的問題和猜想至今尚未得以解決,其中最著名的也許是1967年Dornhoff 在[2]中提出了關(guān)于M-群的兩個(gè)猜想
- 基于英、維匹配技術(shù)的跨語言領(lǐng)域本體構(gòu)建方法研究
換的。(5) 三元組是一種信息的表達(dá)方式。一個(gè)三元組可表示為T={A,R,B}。在本研究中，A和B可以理解為兩個(gè)不同的概念或?qū)嵗?，R同式(1)。1.2 重用本體集合概念在多語種環(huán)境下所表達(dá)的內(nèi)涵是一致的[10]。司莉等[11]在論文中實(shí)驗(yàn)驗(yàn)證了跨語言本體技術(shù)在研究信息檢索模型領(lǐng)域中的作用。因此在本文中，使用本體研究技術(shù)較成熟的英語領(lǐng)域本體進(jìn)行重用來彌補(bǔ)維吾爾語中本體構(gòu)建研究的不足。本研究所選擇的領(lǐng)域?yàn)槁糜晤I(lǐng)域，通過互聯(lián)網(wǎng)等途徑，收集構(gòu)建維吾爾語領(lǐng)域本體所使
計(jì)算機(jī)應(yīng)用與軟件 2018年6期2018-07-05
- M-群的一類子群的單項(xiàng)性
N,ψ)為一個(gè)三元組，如果N是群G的正規(guī)子群，并且ψ∈Irr(N).方便起見，我們稱S為三元組T的一個(gè)Dade子群，如果S≤G滿足下述三個(gè)條件:(1)正規(guī)條件:NS?G，(2)互素條件:(|N|,|S|)=1，(3)不變條件:ψ∈IrrS(N),即ψ為S-不變的。在此情形下，由于S互素地作用在N上，而ψ∈Irr(N)是S-不變的，故ψ存在相應(yīng)的Glauberman-Isaacs特征標(biāo)對(duì)應(yīng),即S-對(duì)應(yīng)ψ(S)∈Irr(CN(S)).顯然CN(S)?NG(S)
- 基于Spark的分布式并行推理算法①
于含有多個(gè)實(shí)例三元組前件的OWL規(guī)則的推理效率低下,使其整體的推理效率不高.針對(duì)這些問題,文中提出結(jié)合TREAT的基于Spark的分布式并行推理算法(DPRS).該算法首先結(jié)合RDF數(shù)據(jù)本體,構(gòu)建模式三元組對(duì)應(yīng)的alpha寄存器和規(guī)則標(biāo)記模型;在OWL推理階段,結(jié)合MapReduce實(shí)現(xiàn)TREAT算法中的alpha階段;然后對(duì)推理結(jié)果進(jìn)行去重處理,完成一次OWL全部規(guī)則推理.實(shí)驗(yàn)表明DPRS算法能夠高效正確地實(shí)現(xiàn)大規(guī)模數(shù)據(jù)的并行推理.RDF;OWL;分布式
計(jì)算機(jī)系統(tǒng)應(yīng)用 2017年5期2017-06-07
- 基于啟發(fā)式規(guī)則的SPARQL本體查詢
總結(jié)出用于查詢三元組抽取的啟發(fā)式規(guī)則,利用這些規(guī)則去掉無意義的查詢三元組,合并和重組意義不完整的查詢三元組。查詢三元組經(jīng)過類映射、實(shí)例映射和屬性映射得到本體三元組,形成SPARQL查詢。用戶在B/S結(jié)構(gòu)的查詢界面中提交中文自然語言問句,得到中間結(jié)果和問句結(jié)果。實(shí)驗(yàn)結(jié)果表明了該方法的有效性。自然語言問句; 依存分析樹; 三元組映射; SPARQL查詢本體能清楚地表示某一領(lǐng)域的分類(類和屬性)和存儲(chǔ)大量的知識(shí)(實(shí)例和實(shí)例關(guān)系),通過共享和交換知識(shí)在語義網(wǎng)中起著
- 基于分布式表示和多特征融合的知識(shí)庫(kù)三元組分類
征融合的知識(shí)庫(kù)三元組分類安 波，韓先培，孫 樂，吳 健(中國(guó)科學(xué)院 軟件研究所 中文信息處理研究室，北京 100190)三元組分類是知識(shí)庫(kù)補(bǔ)全及關(guān)系抽取的重要技術(shù)。當(dāng)前主流的三元組分類方法通?；赥ransE來構(gòu)建知識(shí)庫(kù)實(shí)體和關(guān)系的分布式表示。然而，TransE方法僅僅適用于處理1對(duì)1類型的關(guān)系，無法很好的處理1對(duì)多、多對(duì)1及多對(duì)多類型的關(guān)系。針對(duì)上述問題，該文在分布式表示的基礎(chǔ)上，提出了一種特征融合的方法—TCSF，通過綜合利用三元組的距離、關(guān)系的先驗(yàn)概
中文信息學(xué)報(bào) 2016年6期2016-06-01
- 幅相控制精度對(duì)射頻仿真目標(biāo)位置誤差的影響*
確位置是通過對(duì)三元組輻射信號(hào)的幅度和相位控制來實(shí)現(xiàn)的，幅度和相位控制精度直接影響目標(biāo)位置的模擬精度?；诓ㄒ蛲⑹噶糠ń⒘?span id="j5i0abt0b" class="hl">三元組合成位置模型，以兩元組為例，分析了二元組合成位置特性及其對(duì)幅度和相位的靈敏度特性，建立了合成位置誤差與幅相控制精度關(guān)系的數(shù)學(xué)模型，并給出了合成位置誤差的分布規(guī)律，結(jié)論具有工程指導(dǎo)意義。射頻仿真；三元組；波因廷矢量；目標(biāo)位置誤差；幅度靈敏度；相位靈敏度0 引言隨著精確制導(dǎo)技術(shù)的發(fā)展，對(duì)具有多散射中心的復(fù)雜體目標(biāo)與分布式雜波的仿真已經(jīng)
現(xiàn)代防御技術(shù) 2016年6期2016-02-24
- 基于三元組的擴(kuò)頻碼構(gòu)造及其性能分析
5，16］。將三元組隨機(jī)數(shù)序列引入擴(kuò)頻通信，以此為基礎(chǔ)，經(jīng)同態(tài)均勻映射或正交變換進(jìn)行改進(jìn)［17－19］，得到同態(tài)三元組擴(kuò)頻碼或正交三元組擴(kuò)頻碼。以m 序列、分段Logistic序列［20］和線性同余序列為例，與正交三元組擴(kuò)頻碼和同態(tài)三元組擴(kuò)頻碼參與仿真，在蒙特卡羅直接擴(kuò)頻通信模型［21］和直接序列碼分多址系統(tǒng)DS－CDMA［22，23］中計(jì)算誤碼率。實(shí)驗(yàn)結(jié)果表明，同態(tài)三元組擴(kuò)頻碼在不同幅度的正弦干擾下的誤碼率很小，正交三元組擴(kuò)頻碼可以承載的用戶數(shù)更多。同態(tài)
計(jì)算機(jī)工程與設(shè)計(jì) 2015年1期2015-12-20
- 基于有序二叉樹的RDF存儲(chǔ)模型研究
數(shù)據(jù)指以RDF三元組形式組織的語義網(wǎng)數(shù)據(jù)，通常由RDF、RDFS或 OWL語言及RDF圖模型描述。RDF圖以有向圖作為存儲(chǔ)模型，其中主體和客體作為節(jié)點(diǎn)，謂詞充當(dāng)邊，邊的方向由主體指向客體。依據(jù)文獻(xiàn)［9］的方法給出RDF圖的定義。1.1 RDF圖存儲(chǔ)模型定義1 設(shè)U、B、L分別表示資源集合、空節(jié)點(diǎn)集合以及文字集合，RDF數(shù)據(jù)用主體、謂詞、客體三元組表示，其中，主體∈（U∪B ），謂詞∈U，客體∈ （U∪B∪L） 。RDF圖為RDF三元組的集合，圖中的每個(gè)三元
- 射頻仿真系統(tǒng)中三元組天線單元張角計(jì)算
真系統(tǒng)天線陣列三元組模擬目標(biāo)在空間相對(duì)被試設(shè)備的運(yùn)動(dòng)軌跡，而三元組天線單元張角是影響仿真系統(tǒng)性能的重要因素。本文對(duì)三元組天線陣元的張角進(jìn)行分析計(jì)算，得出一些相關(guān)數(shù)據(jù)，以便為工程實(shí)踐作參考。1 三元組工作原理在射頻仿真系統(tǒng)中通過顯控計(jì)算機(jī)來控制天線陣列中的三元組天線單元輻射位置，實(shí)現(xiàn)射頻仿真目標(biāo)的運(yùn)動(dòng)，具體方法是在天線陣列中任意選擇相鄰3個(gè)天線單元按等邊三角形排列組成一個(gè)三元組，天線陣列如圖1所示。工作時(shí)在天線陣列中根據(jù)需要任意選擇一個(gè)三元組輻射信號(hào)，3個(gè)天
艦船電子對(duì)抗 2012年6期2012-08-10