知识图谱
秃然变强了
这个作者很懒,什么都没留下…
展开
-
知识图谱与文本生成
文本生成在自然语言处理领域一直属于热门研究领域。生成文本任务比信息抽取和文本分类等问题要更加困难,收到了学界的广泛关注。受到深度神经网络的影响,许多文本生成模型模型被研发,有基于机器翻译的Seq2Seq框架,有纯数据驱动模型,也有融合了知识图谱信息的知识驱动模型。本文介绍的是一些融合了知识图谱信息的知识驱动文本生成模型。几个Seq2Seq文本生成框架Pointer Networks本文试图利用seq2seq处理特定的序列问题。我们已经提到,传统seq2seq结构的输出由类似词汇表的某个元素映射表确定,原创 2020-06-13 15:26:42 · 6278 阅读 · 0 评论 -
知识图谱与问答系统-论文分享两则
论文一:Improving Question Generation with Sentence-level Semantic Matching and Answer Position Inferring论文链接:https://arxiv.org/pdf/1912.00879.pdf本文主要聚焦问答系统(Q&A)的反问题—问题生成(Question Generation,Q&G)。问题生成的目的是在给定上下文和相应答案的情况下生成语义相关的问题,问题生成任务可分为两类:一类是基于规则的方原创 2020-06-10 16:27:26 · 2016 阅读 · 0 评论 -
知识图谱的构建与质量评估
本文由知识图谱的结构构建,实体抽取,实体关系和属性抽取,知识图谱评估,知识图谱精炼六个部分组成。一、知识图谱构建知识图谱在目前知识体系中的三种组织分类:Ontology:树状结构,关系是严格的IsA关系,便于知识推理,但没法表达出概念和关系的多样性Taxonomy:树状结构,关系包含一般的上位词-下位词关系(Hypernym-Hyponym),关系的丰富影响了知识推理的难度,易造成歧义。Taxonomy也是我们当前最常用的知识图谱分类方法。Folksonomy:非层级的结构,全部节点以标签分类,原创 2020-06-07 15:14:01 · 13461 阅读 · 0 评论 -
知识图谱在人工智能中的应用与思考
知识图谱在人工智能中的应用与思考1. 人工智能是为了解决生产力升级的问题人类的生产力可以分为知识生产力,劳动生产力。人工智能可以从两个方面加速生产力的提升。人工智能又可以分为感知型智能,认知性智能,行为智能。一般来讲,计算机视觉识别,语音识别等识别问题都可以归结到感知性智能中。认知性智能包含自然语言理解(NLU),自然语言生成(NLG),知识推理(reasoning)等领域。行为智能主要聚焦在智能体的行动上,一般指的是具有感知和认知能力的机器人的行为。2.人工智能的”三个主义“现代的人工智原创 2020-06-03 21:35:12 · 4184 阅读 · 1 评论 -
知识图谱融合与知识图谱对齐Summary
Summary of Knowledge graph combination and KG alignmentRef:多知识图谱的融合算法探索1. 知识融合的常见问题数据质量问题:命名模糊,数据输入错误,数据都市,数据格式不一致,缩写问题数据规模问题:数据量过大,或数据量过小。数据种类多样性。在知识图谱对齐的时候,我们不仅通过实体名匹配,也会使用多种关系,链接,图谱层次。2. 知识融合(对齐)的常见步骤数据预处理:1) 语法正规化 2) 数据正规化记录链接:把实体通过相似度进行连接相似度计原创 2020-05-08 19:34:09 · 6925 阅读 · 0 评论