Knowledge-aware Method for Confusing Charge Prediction
Southeast University(东南大学);Indiana University Bloomington(印第安纳大学伯明顿分校)
自动指控预测任务是根据刑事案件的事实描述确定最终指控罪名的任务,是法律援助系统的重要应用。传统著作往往依赖事实描述来预测罪名,而忽略了法律图式知识,导致混淆性罪名难以区分。本文提出了一种知识关注的神经网络模型,该模型引入了关于罪名的法律图式知识,并利用知识的层次表示作为区分易混淆罪名的判别特征。我们的模型将文本事实描述作为输入,并通过图卷积网络学习事实表示。一个法律原理图知识Transformer被用来在模式和收费两个层次上生成面向法律原理图知识的关键知识表示。我们应用知识匹配网络,有效地将收费信息的事实,学习知识感知的事实表示。最后,我们使用知识感知的事实表示进行电荷预测。我们创建了两个真实世界的数据集,实验结果表明,我们提出的模型可以在准确性和F1得分上优于其他最先进的基线,特别是在处理混淆收费方面。
2020-10-07 cs.AI cs.CL
Repurposing Knowledge Graph Embeddings for Triple Representation via Weak Supervision
Drexel University(德雷塞尔大学)
大多数知识图谱嵌入技术将实体和谓词视为单独的嵌入矩阵,使用聚合函数来构建输入三元组的表示。然而,这些聚合是有损的,即它们不捕获原始三元组的语义,例如谓词中包含的信息。为了克服这些缺点,目前的方法从头开始学习三重嵌入,而不利用来自预训练模型的实体和谓词嵌入。在本文中,我们设计了一种新的微调方法来学习三重嵌入创建弱监督信号从预训练的知识图谱嵌入。我们开发了一种从知识图谱中自动采样三元组并从预训练的嵌入模型中估计其成对相似性的方法。然后,这些成对的相似性得分被馈送到一个类似于Siamese的神经架构中,以微调三重表示。我们评估所提出的方法在两个广泛研究的知识图谱,并表现出一致的改进,比其他国家的最先进的三重嵌入方法的三重分类和三重聚类任务。
2022-08-22 cs.AI cs.CL
Logical Reasoning over Natural Language as Knowledge Representation: A Survey
Nanyang Technological University(南洋理工大学);University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文综述了以自然语言作为知识表示、预训练语言模型作为推理器的逻辑推理新范式,涵盖其优势、基准、挑战及未来方向,该范式有效缓解了形式表示的瓶颈并优于端到端神经方法。
2024-02-16 cs.AI cs.CL
PPKE: Knowledge Representation Learning by Path-based Pre-training
School of Computer Science, Harbin Institute of Technology(哈尔滨工业大学计算机学院)
实体在知识图谱(KG)中可能具有复杂的交互,例如多步关系,其可以被视为实体的图上下文信息。传统的知识表示学习(KRL)方法通常将单个三元组作为训练单元,忽略了知识组拓扑结构中存在的大部分图上下文信息。在这项研究中,我们提出了一种基于路径的预训练模型来学习知识嵌入,称为PPKE,其目的是将实体之间的更多图上下文信息集成到KRL模型中。实验表明,该模型在链接预测和关系预测任务的多个基准数据集上均取得了最佳的结果,表明该模型为知识库中利用图上下文信息提供了一种可行的方法.
2020-12-07 cs.AI cs.CL
Beneath the Surface of Consistency: Exploring Cross-lingual Knowledge Representation Sharing in LLMs
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Google Research(谷歌研究院)
本研究通过知识编辑方法测量大语言模型跨语言事实知识表示共享程度,发现高一致性不等于共享表示,文字相似性是主导因素,完全共享可提升最佳语言准确率平均达150%。
2024-08-20 cs.AI cs.CL
Knowledge Representation
本文分析了知识表示应具备的主要特征。它提出了一种表示模型和在软件中实现该模型的方法。表示既考虑了低级传感器信息,也考虑了高级概念。
2002-08-12 cs.AI
SPOT: Knowledge-Enhanced Language Representations for Information Extraction
University of California, San Diego(加州大学圣地亚哥分校);IBM Research(IBM研究院)
用于语言表示的知识增强的预训练模型已被证明在知识库构建任务中更有效(即,关系抽取)而不是语言模型,例如BERT。这些知识增强的语言模型将知识合并到预训练中以生成实体或关系的表示。然而,现有的方法通常用单独的嵌入来表示每个实体。因此,这些方法在其底层标记模型(即,~)之上难以表示词汇表外的实体和大量参数。Transformer),并且由于存储器的限制,实际上可以处理的实体的数量是有限的。此外,现有的模型仍然难以同时表示实体和关系。为了解决这些问题,我们提出了一种新的预训练模型,该模型分别从文本中的标记跨度和跨度对中学习实体和关系的表示。通过使用span模块对span进行有效编码,我们的模型可以表示实体及其关系,但需要的参数比现有模型少。我们使用从维基百科中提取的知识图谱对模型进行了预训练,并在广泛的监督和无监督信息抽取任务上对其进行了测试。结果表明,我们的模型学习更好的表示实体和关系比基线,而在监督设置,微调我们的模型优于RoBERTa一致,并取得竞争力的结果信息抽取任务。
2022-10-24 cs.AI cs.CL
Integrating Knowledge Graph embedding and pretrained Language Models in Hypercomplex Spaces
University of Stuttgart(斯图加特大学);University of Bonn(波恩大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);TU Dresden(德累斯顿工业大学);Amazon(亚马逊);University of Southampton(南安普顿大学)
本文提出用 4D Dihedron 与 Quaternion 超复数表示统一知识图谱结构嵌入及词、句、文档级文本表示,并通过相应乘积建模模态交互,从而提升链接预测性能。
2023-08-16 cs.AI cs.CL
Endowing Language Models with Multimodal Knowledge Graph Representations
Johns Hopkins University(约翰斯·霍普金斯大学);New York University(纽约大学);University of Amsterdam(阿姆斯特丹大学);Rond Consulting(朗德咨询公司);Amazon Alexa AI(亚马逊Alexa人工智能部门);Amsterdam UMC(阿姆斯特丹大学医学中心)
我们提出了一种方法,使自然语言理解模型的参数更有效地存储在一个外部的知识图谱(KG)的知识,并从这个KG检索使用密集索引。给定(可能是多语言)下游任务数据,例如,句子在德国,我们检索的KG实体,并使用其多模态表示,以提高下游任务的性能。我们使用最近发布的VisualSem KG作为我们的外部知识库,它涵盖了维基百科和WordNet实体的一个子集,并比较了基于元组和基于图的算法的混合,以学习基于KG多模态信息的实体和关系表示。我们证明了有用的学习实体表示上的两个下游任务,并显示性能提高的多语言命名实体识别任务的$0.3\%$-$0.7\%$ F1,而我们实现了$2.5\%$的视觉消歧任务的准确性的改善。我们所有的代码和数据都可以在:\url{https://github.com/iacercalixto/visualsem-kg}中找到。
2022-06-27 cs.AI cs.CL
Relational World Knowledge Representation in Contextual Language Models: A Review
University of Michigan, Ann Arbor(密歇根大学安娜堡分校)
关系知识库(KB)通常用于表示机器中的世界知识。然而,尽管知识库具有高度的精确性和可解释性,但它们通常是根据手动定义的模式组织的,这限制了它们的表达能力,并且需要大量的人力来设计和维护。在这篇综述中,我们从自然语言处理的角度来看待这些局限性,研究如何通过训练深度上下文语言模型(LM)来部分解决这些局限性,从而以更灵活的形式内化和表达关系知识。我们建议组织知识表示策略在LM的KB监督水平提供的,从没有KB监督在所有实体和关系级的监督。我们的贡献有三个方面:(1)我们提供了一个高层次的,可扩展的分类知识表示在LMs;(2)在我们的分类,我们突出了显着的模型,评估任务和调查结果,以提供一个最新的审查,目前的知识表示能力在LMs;(3)我们建议未来的研究方向,建立在LMs和知识库的互补方面作为知识表示。
2021-09-10 cs.AI cs.CL cs.LG
Knowledge Graph informed Fake News Classification via Heterogeneous Representation Ensembles
Jožef Stefan Int. Postgraduate School(约瑟夫·斯特凡国际研究生院);Jožef Stefan Institute(约瑟夫·斯特凡研究所);University of Ljubljana, Faculty of Computer and Information Science(卢布尔雅那大学计算机与信息科学学院)
越来越多的文本和关系形式的免费数据提供了更丰富的文档表示的探索,潜在地提高模型的性能和鲁棒性。当今时代一个新出现的问题是假新闻检测-许多容易获得的信息不一定是事实正确的,可能导致错误的结论或用于操纵。在这项工作中,我们探讨了不同的文档表示,从简单的符号词袋,到上下文,基于神经语言模型的,可以用于有效的假新闻识别。其中一个关键的贡献是一组新的文件表示学习方法完全基于知识图谱,即广泛的收集(接地)主谓宾三元组。我们证明了基于知识图谱的表示已经达到了传统上接受的表示学习者的竞争力。此外,当与现有的上下文表示相结合时,基于知识图谱的文档表示可以实现最先进的性能。据我们所知,这是第一次大规模评估如何将基于知识图谱的表示系统地纳入假新闻分类过程。
2022-02-15 cs.AI cs.CL cs.CY
A Set Theoretic Approach for Knowledge Representation: the Representation Part
Western Sydney University(西悉尼大学)
在本文中,我们提出了一个集合论方法的知识表示。虽然应用领域的语法是由集合论构造(包括个体、概念和运算符)捕获的,但知识是由等式断言形式化的。我们首先提出了一个原始的形式,使用最少的假设知识和结构。然后,假设朴素集合论,我们扩展它的定义,这是特殊类型的知识。有趣的是,我们表明,原始形式是表达足够的定义逻辑运算符,不仅命题连接词,但也量词。
2016-03-11 cs.AI
StarGraph: Knowledge Representation Learning based on Incomplete Two-hop Subgraph
Qihoo 360 AI Research(奇虎360人工智能研究院)
传统的知识图谱(KG)表示学习算法将每个实体映射到唯一的嵌入向量,忽略了邻域中包含的丰富信息。提出了一种利用大规模知识图谱的邻域信息获取实体表示的方法--星图法。该算法首先为每个目标节点生成一个不完整的两跳邻域子图,然后利用改进的自注意网络对该子图进行处理,得到目标节点的实体表示,以代替传统方法中的实体嵌入。我们在ogbl-wikikkg 2上实现了SOTA性能,并在fb 15 k-237上获得了有竞争力的结果。实验结果证明了StarGraph在参数上的有效性,并对ogbl-wikikikg 2进行了改进,证明了其在大规模知识图谱上的表示学习的有效性。该代码现已在\url{https://github.com/hzli-ucas/StarGraph}上提供。
2023-01-03 cs.AI cs.CL cs.LG
A New Penta-valued Logic Based Knowledge Representation
Tarom Company(塔罗姆公司)
本文提出了一种结合模糊集和五值逻辑思想的知识表示模型FP5。FP5表示不精确性质,其完成程度对于某些对象是不确定的、矛盾的或不确定的。介绍了合取、析取和求反的基本运算。关系到其他表示模型,如模糊集,直觉,次协调和双极模糊集进行了讨论。
2015-02-19 cs.AI
Unveiling LLMs: The Evolution of Latent Representations in a Dynamic Knowledge Graph
University of Trento(特伦托大学);Ipazia S.p.A.(伊帕齐亚股份公司);Fondazione Bruno Kessler (FBK)(布鲁诺·凯斯勒基金会)
本文提出无需训练或外部模型的端到端框架,利用 activation patching 和动态知识图谱解码并追踪 LLM 在声明验证中的逐层事实表征演化。
2024-08-06 cs.AI cs.CL cs.CY
Using Dempster-Shafer Theory in Knowledge Representation
在本文中,我们建议结合Dempster-Shafer(DS)理论与知识表示(KR)。从这种婚姻中诞生的是“Dempster-Shafer信念基础”的定义,抽象的数据类型表示不确定的知识,使用DS理论表示对我们的知识的信念强度,以及表示知识本身的任意KR系统的语言结构。一个正式的结果保证了给定的KR系统和DS理论的性质都被保留。一般模型的例子是定义DS信念基础,其中一阶逻辑和(扩展)KRYPTON被用作KR系统。执行问题也被提及。
2013-03-27 cs.AI
A New Method for Knowledge Representation in Expert System's (XMLKR)
知识表示是专家系统的重要组成部分,在这一部分中我们有一个建立专家系统的框架,然后我们可以用这个框架来建模和设计专家系统。知识表示的方法很多,但每种方法都存在问题,本文介绍了一种新的基于XML语言的面向对象的知识表示方法XMLKR,并讨论了这种方法的优点和不足。
2008-12-18 cs.AI cs.DC
Unified vector space mapping for knowledge representation systems
阻碍知识表示和人工智能领域进一步发展的最重要问题之一是语义对齐或知识映射问题。它的解决方案的进展将大大有利于进一步的进步,信息检索,本体对齐,相关性计算,文本挖掘,自然语言处理等。在文件中的多维全球知识地图的概念,阐述了通过无监督提取的依赖关系,从大型文档语料库,提出。此外,直接的人-知识表示系统接口的问题得到解决,并提出了自适应解码器的概念,用于与先前描述的统一映射模型进行交互。结合这两种方法建议为基础的新一代的知识表示系统的发展。
2015-02-21 cs.AI cs.IR
Heterogeneous knowledge representation using a finite automaton and first order logic: a case study in electromyography
Faculté de Médecine de Grenoble(格勒诺布尔医学院);Centre Hospitalier et Universitaire de Grenoble(格勒诺布尔大学中心医院)
在某些情况下,人类的认知功能很难用经典的人工智能结构来表示。这种困难出现在多发性神经病诊断中,多发性神经病诊断是基于病变沿神经纤维的空间分布以及几个部分诊断的综合。针对这一问题,在建立专家系统(NEUROP)时,我们提出了一种将有限自动机与一阶逻辑相结合的异构知识表示。一些知识表示的肌电图测试功能所提出的问题,在这项研究中检查和专家系统架构,允许这样的知识建模。
2009-03-30 cs.AI
EMR-based medical knowledge representation and inference via Markov random fields and distributed representation learning
Harbin Institute of Technology(哈尔滨工业大学)
目的:电子病历(EMR)包含了大量的医学知识,可用于临床决策支持(CDS)。我们的目标是一个通用的系统,可以提取和表示这些知识包含在电子病历支持三个CDS任务:测试建议,初步诊断,治疗计划的建议,与一个病人的给定条件。研究方法:我们从病历中提取了4种医疗实体,构建了一个基于电子病历的医疗知识网络(EMKN),其中节点是实体,边反映了它们在同一条病历中的共现性。从EMKN中提取三个二部子图(二图)来支持每个任务。双图的一部分是给定的条件(例如,症状),另一个是要推断的状况(例如,疾病)。每个二图被视为一个马尔可夫随机场,以支持推理。提出了三种惰性能量函数和一种基于参数的能量函数,以及两种基于知识表示学习的能量函数,能够提供医学实体的分布式表示。性能评估采用了三种措施。结果:在初始诊断任务中,80.11%的测试记录从前10名候选人中至少识别出一种正确的疾病。试验和治疗推荐结果分别为87.88%和92.55%。这些结果共同表明,所提出的系统优于基线方法。医学实体的分布式表示确实反映了关于知识水平的相似性关系。结论:EMKN与MRF相结合是一种有效的医学知识表示与推理方法。然而,不同的任务需要单独设计它们的能量函数。
2017-09-20 cs.AI
FrameNet CNL: a Knowledge Representation and Information Extraction Language
Institute of Mathematics and Computer Science, University of Latvia(拉脱维亚大学数学与计算机科学研究所)
提出了一种基于FrameNet的信息抽取和知识表示框架,称为FrameNet-CNL。该框架用于自然语言文档,并表示提取的知识,在一个定制的框架本体,明确的FrameNet-CNL释义文本可以自动生成多种语言。这种方法将信息抽取和CNL领域结合在一起,因为如果信息抽取解析器产生正确的知识表示,则可以认为源文本属于FrameNet-CNL。我们描述了一个国家的最先进的信息抽取解析器使用的国家新闻机构和推测,FrameNet-CNL最终可以塑造自然语言子集用于写新闻专线文章。
2014-06-10 cs.AI cs.CL cs.IR
XML framework for concept description and knowledge representation
基于XML的树结构隐含了属性演算定义的概念的逻辑结构,给出了一个概念描述的XML框架。特别是,属性值表示是可实现的XML框架。由于属性-值表示是人工智能中表示知识的重要方式,因此该框架提供了比强大的RDF技术更进一步和更简单的方法。
2004-04-14 cs.AI cs.LO
Hybrid Systems for Knowledge Representation in Artificial Intelligence
Visvodaya Technical Academy(维斯沃达亚技术学院)
有几个知识表示(KR)技术可用于有效地表示知识。然而,随着复杂性的增加,需要更好的方法。一些研究人员通过结合两种或多种方法提出了混合机制。在构建智能计算机系统的努力中,主要考虑的是以允许有效使用和有效组织信息以便于进行推荐的推断的方式来表示大量的知识。各种组合方法各有利弊,需要标准化的KR方法。本文对KR的各种混合格式进行了详细的研究和介绍。
2012-11-12 cs.AI
Architecture and Knowledge Representation for Composable Inductive Programming
Zoea Ltd.(Zoea 有限公司)
我们提出了一个更新的Zoea知识为基础的,可组合归纳编程系统的当前架构。Zoea编译器是使用黑板架构的现代变体构建的。Zoea集成了大量的知识源,这些知识源编码了程序设计语言和软件开发专业知识的不同方面。我们描述了使用合成测试用例作为一种普遍存在的形式的知识和假设表示,支持各种推理策略。还概述了一些未来的计划。
2022-12-22 cs.AI cs.PL
Knowledge Representations in Technical Systems -- A Taxonomy
University of Kassel(卡塞尔大学)
最近在以人为中心的环境中使用技术系统导致了一个问题,即如何教授技术系统,例如,机器人,理解,学习,并执行人类所期望的任务。因此,知识的准确表示对于系统按预期工作至关重要。本文主要介绍了人工智能中不同的知识表示技术及其分类。此外,所提出的知识表示在日常机器人任务中的应用。通过所提供的分类法,应当促进对关于特定问题的适当知识表示技术的搜索。
2020-01-15 cs.AI cs.CV cs.LG
Knowledge representation and diagnostic inference using Bayesian networks in the medical discourse
TU Dresden(德累斯顿工业大学)
针对不确定性条件下的诊断推理问题,研究了贝叶斯网络.该方法是基于一个足够的统一表示的必要的知识。这包括存储在知识库中的一般知识和基于经验的具体知识。在知识处理方面,采用了基于概念推理和基于实例推理相结合的问题求解方法。基于概念的推理用于诊断、治疗和药物推荐以及对一般知识的评价。以具体病人病例为形式的推理是通过基于病例的推理来处理的。此外,贝叶斯网络的使用允许处理不确定性,模糊性和不完整性。因此,有效的一般概念可以根据它们的概率来发布。为此,各种推理机制的介绍,并随后在一个开发的原型的上下文中进行评估。测试被用来评估网络诊断的分类。
2022-10-08 cs.AI
Rough set based lattice structure for knowledge representation in medical expert systems: low back pain management case study
University of Kalyani(卡利亚尼大学);Banaras Hindu University(贝拿勒斯印度教大学);ESI Institute of Pain Management(ESI疼痛管理研究所);ESI Hospital Sealdah(ESI西达尔医院)
医学知识表示的目的是以临床有效的方式捕获详细的领域知识,并利用所获得的知识提供可靠的解决方案。医学专家系统使用的知识库应允许随着时间的推移包括更新的知识的增量增长。由于知识是由不同的知识工程师从各种知识源中收集的,冗余问题是这里的一个重要问题,这是由于增加了知识的处理时间和占用大量的计算存储来容纳所有收集的知识。在知识库中也可能存在许多不一致的知识。本文提出了一种基于粗糙集的格结构用于医学专家系统中的知识表示,它克服了知识的冗余和不一致性问题,并提供了时间和空间上的计算效率。我们还生成了一组最佳的决策规则,将直接使用的推理机。每个规则的可靠性已被测量使用一个新的度量称为可信度因子,并已重新定义的确定性和覆盖因子的决策规则。医学专家系统首先考虑可靠性高、确定性强的决策规则,然后根据医生的建议,搜索可能的、不确定的决策规则。所提出的知识表示技术已被说明使用的例子,从下背部疼痛的域。所提出的计划,确保完整性,一致性,完整性,非冗余,和易于访问。
2018-10-02 cs.AI
Incorporating GAN for Negative Sampling in Knowledge Representation Learning
Sun Yat-sen University(中山大学);iPIN Inc.(iPIN公司)
知识表示学习的目的是通过将实体和关系编码到低维空间中来对知识图谱进行建模。大多数传统的知识嵌入工作需要负采样,以最大限度地减少基于边缘的排名损失。然而,这些工作通过随机模式构造负样本,这样的样本往往太微不足道,不能有效地拟合模型。本文提出了一种基于生成对抗网络(GAN)的知识表示学习框架。在这个基于GAN的框架中,我们利用生成器来获得高质量的负样本。同时,GAN中的学习器学习知识图谱中实体和关系的嵌入。因此,我们可以将所提出的基于GAN的框架融入到各种传统模型中,以提高知识表示学习的能力。实验结果表明,我们提出的基于GAN的框架优于基线的三元组分类和链接预测任务。
2018-09-23 cs.AI cs.LG
Interpolation in Knowledge Representation
TU Dortmund University(图卢兹德多特蒙德大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);Universidade Nova de Lisboa(里斯本新大学)
本文研究了描述逻辑和逻辑编程中插值计算的理论与实践方法,探讨了其在知识表示中的应用及挑战。
2025-12-09 cs.AI cs.LO
Improving Knowledge Graph Representation Learning by Structure Contextual Pre-training
Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Zhejiang University & AZFT JointLab for Knowledge Engine(浙江大学与AZFT知识引擎联合实验室)
知识图谱(KG)的表示学习模型已被证明在编码结构信息和执行KG上的推理方面是有效的。在本文中,我们提出了一种新的预训练,然后微调知识图谱表示学习,其中KG模型首先预训练与三重分类任务,然后区分微调特定的下游任务,如实体类型预测和实体对齐。借鉴在典型的预训练语言模型中学习深度上下文化单词表示的一般思想,我们提出SCoP来学习具有目标三元组编码的结构和上下文三元组的预训练KG表示。实验结果表明,微调SCoP不仅优于基线的下游任务的组合的结果,但也避免了繁琐的特定于任务的模型设计和参数训练。
2021-12-08 cs.AI
Inheritance in Object-Oriented Knowledge Representation
Taras Shevchenko national University of Kyiv(基辅塔拉斯·舍甫琴科国立大学)
本文讨论了面向对象程序设计、框架和面向对象动态网络等知识表示模型中的继承机制。此外,还讨论了模糊和不精确知识表示中的继承问题。本文介绍了新的继承类型,所有已知的继承类型和方法的一般分类,它允许避免在许多情况下的问题与异常,冗余和模糊的面向对象的动态网络及其模糊扩展。所提出的方法基于同构和非同构或异构类对象的概念,这使得继承层次结构的建立更加灵活和有效。
2015-10-14 cs.AI
Combining Ontologies with Correspondences and Link Relations: The E-SHIQ Representation Framework
University of Piraeus(比雷埃夫斯大学);University of the Aegean(爱琴海大学)
在分布式环境中,如何将自主节点的知识和信念结合起来是一个重大的挑战。在本文中,我们认为同行结合本体论和原因,共同与他们的耦合知识。本体论是描述逻辑的SHIQ片段。虽然有几个表示框架的模块化描述日志- ICS,每一个作出至关重要的假设有关的主观性同行的知识,域之间的关系,本体论的解释,表达的构造器用于结合知识,和方式同行共享他们的知识。然而,在自主同伴可以独立于他人发展和扩展他们的知识和信仰的环境中,这些假设可能不成立。在这篇文章中,我们动机需要一个表示框架,允许同行以各种方式结合他们的知识,保持自己的知识和信念的主观性,并协同推理,构建一个分布在他们之间的画面,联合。本文提出了E-SHIQ表示框架,实现了E-SHIQ分布式Tableau推理机,并讨论了该推理机的效率。
2013-10-09 cs.AI
Exploiters-Based Knowledge Extraction in Object-Oriented Knowledge Representation
Taras Shevchenko National University of Kyiv(基辅塔拉斯·舍甫琴科国立大学)
本文讨论了框架、面向对象程序设计和面向对象动态网络等面向对象知识表示模型的知识抽取机制。此外,还讨论了面向对象动态网络中通用开发器的概念。本文的主要成果是引入新的开发者为基础的知识提取方法,它提供了一个有限的一组新的类的对象的基础上,类的基本集合的生成。提出了计算新类数量的方法,这些新类可以使用所提出的方法获得,以及计算它们各自描述的类型数量的方法。证明了基本的类集,扩展根据所提出的方法,连同工会开拓者创建上半格。该方法总是允许为任何面向对象的动态网络生成一组新的对象类。这些类的数量可以在生成之前精确计算。它只允许在知识库中保存基本的类集。
2015-10-14 cs.AI
Group Representation Theory for Knowledge Graph Embedding
知识图谱嵌入最近已经成为一种流行的方式来建模关系和推断缺失的链接。在本文中,我们提出了一个组理论的角度来看,知识图谱嵌入,连接以前的方法与不同的群体行动。此外,通过利用舒尔引理从群表示理论,我们表明,国家的最先进的嵌入方法RotatE可以从任何有限阿贝尔群模型的关系。
2019-11-27 cs.AI cs.LG math.RT
KGNN: Distributed Framework for Graph Neural Knowledge Representation
Ant Financial Services Group(蚂蚁金融服务集团);Beijing University of Posts and Telecommunications(北京邮电大学)
知识表示学习已被普遍采用以将知识图谱(KG)并入各种在线服务中。现有的知识表示学习方法虽然取得了很大的性能提升,但它们忽略了知识的高阶结构和丰富的属性信息,导致在语义丰富的知识生成器上性能不佳。此外,它们不能以归纳的方式进行预测,并且不能扩展到大型工业图。为了解决这些问题,我们开发了一个新的框架称为KGNN充分利用知识数据的表示学习在分布式学习系统。KGNN配备了基于GNN的编码器和知识感知解码器,旨在以细粒度的方式共同探索高阶结构和属性信息,并分别保留KG中的关系模式。在链接预测和三元组分类任务的三个数据集上进行的大量实验证明了KGNN框架的有效性和可扩展性。
2022-05-17 cs.AI cs.LG
Bridging the Gap between Reinforcement Learning and Knowledge Representation: A Logical Off- and On-Policy Framework
知识表示是强化学习中的一个重要问题。在本文中,我们弥合了强化学习和知识表示之间的差距,通过提供一个丰富的知识表示框架,基于正常的逻辑程序与答案集语义,这是能够解决无模型强化学习问题,更复杂的领域,并利用特定领域的知识。我们证明了我们方法的正确性。我们证明了在我们的方法中为无模型强化学习问题找到离线和在线策略的复杂性是NP完全的。此外,我们证明了MDP环境中的任何无模型强化学习问题都可以编码为SAT问题。重要的是无模型强化
2010-12-07 cs.AI cs.LG cs.LO
Relphormer: Relational Graph Transformer for Knowledge Graph Representations
Zhejiang University(浙江大学);Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph(浙江大学蚂蚁集团知识图谱联合实验室);Alibaba Group(阿里巴巴集团)
针对原始Transformer难以捕捉知识图谱异构信息的问题,提出Relphormer模型,通过Triple2Seq动态采样子图序列和结构增强自注意力机制编码关系与语义,并利用掩码知识建模在多项KG任务上取得优于基线的性能。
2023-11-21 cs.AI cs.CL cs.IR
Fuzzy Knowledge Representation Based on Possibilistic and Necessary Bayesian Networks
在本文提出的框架内,我们解决的问题,扩展某些网络的模糊某些网络,以应付现有模型的不精确和不确定的知识下的决策的复杂性和局限性。本文提出了一个框架,结合两个学科发挥各自的优势,在不确定和不精确的知识表示问题。该框架是一个基于可能性逻辑的框架,其中贝叶斯节点及其属性由局部必要值知识库表示。属性中的数据被解释为一组赋值公式。在我们的贡献可能性贝叶斯网络有一个定性的部分和定量的一部分,代表当地的知识库。总体思路是研究如何融合这两种形式主义将允许表示紧凑的方式来有效地解决问题的知识表示。我们展示了如何将可能性和必要性度量应用于大规模数据的知识表示问题。另一方面,将明确的确定性程度模糊化为模糊变量,提高了网络的质量,并往往带来网络性能的平滑性和鲁棒性。总体目标是提供一种新的不确定性决策方法,该方法结合了三种方法:贝叶斯网络确定性分布和模糊逻辑。
2012-06-05 cs.AI
Infrastructure for the representation and electronic exchange of design knowledge
本文发展了知识的概念和它的交流使用语义Web技术。它指出知识不仅仅是信息,因为它体现了意义,即语义和语境。这些特征将影响我们表示和处理知识的方法。为了被采用,开发的系统需要简单,并使用标准。本文的目标是找到标准来建模知识,并与其他人交换。因此,我们建议使用UML模型对知识进行建模,以显示图形表示,并将其与XML交换,以确保低成本的可移植性。我们引入本体的概念,组织知识和促进知识交流。建议已通过实施笔的设计知识的应用程序进行了测试。
2018-10-31 cs.AI cs.MA
Knowledge Representation for Robots through Human-Robot Interaction
Sapienza University of Rome(罗马大学)
机器人执行复杂任务所需知识的表示受到感知限制的限制。克服这种情况和设计“知识型”机器人的一种可能方法是依赖于与用户的互动。我们提出了一个多模态交互框架,允许有效地获取有关机器人操作环境的知识。特别是,在本文中,我们提出了一个丰富的表示框架,可以自动构建的度量地图与用户提供的指示注释。这样的表示,然后允许机器人地面复杂的参考表达式的运动命令,并制定拓扑导航计划,以实现目标位置。
2013-08-01 cs.AI cs.RO
Knowledge Representation on the Web revisited: Tools for Prototype Based Ontologies
Fraunhofer Institute for Applied Information Technology FIT(弗劳恩霍夫应用信息技术研究所);RWTH Aachen University(亚琛工业大学);University of Jyvaskyla(于韦斯屈莱大学);World Wide Web Consortium (W3C)(万维网联盟)
近年来,在W3C推荐的推动下,RDF和OWL已经成为Web上最常用的知识表示语言。在本文中,我们提出了一个实际的实现不同类型的知识表示的基础上原型。详细地说,我们提出了一个具体的语法容易和有效地解析的应用程序。我们还提出了一个原型知识库的可扩展实现,专门设计用于存储的原型。这些实现是用Java编写的,可以通过将实现用作库来扩展。或者,软件可以这样部署。此外,本地和Web部署的基准测试的结果。本文增加了一个研究论文,在其中我们描述了我们的原型系统的更多的理论方面。
2016-07-16 cs.AI
Knowledge Representation in Graphs using Convolutional Neural Networks
Lidinwise
知识图谱(KG)构成实体之间复杂关系的灵活表示,对于生物医学数据特别有用。然而,这些KG非常稀疏,有许多缺失的边缘(事实),并且交互网格的可视化非常重要。在这里,我们应用组合模型将节点和关系嵌入到矢量化的语义空间中以执行图完成。提出了一种基于卷积神经网络和自组织映射(SOM)的可视化工具,用于从KG中提取高层次的见解。我们将这种技术应用于CTD的一个子集,包含与人类基因/蛋白质的化合物的相互作用,并表明性能与通过结构模型获得的性能相当。
2016-12-07 cs.AI
KSR: A Semantic Representation of Knowledge Graph within a Novel Unsupervised Paradigm
Xiamen University(厦门大学)
知识表示是人工智能中一个历史悠久的课题,也是一个非常重要的课题。知识图谱嵌入是将符号实体和关系投影到连续的向量空间中,目前已经提出了多种模型。然而,大多数相关方法只关注于知识图谱的数据拟合,而忽略了可解释的语义表达。因此,传统的嵌入方法对于需要语义分析的应用(诸如问答和实体检索)是不友好的。为此,本文提出了一种知识图谱\textbf{(KSR)}的语义表示方法,该方法采用两级分层生成过程,在全局上提取多个方面,然后在每个方面为每个三元组分配一个特定的类别。由于方面和范畴都是语义相关的,因此每个方面中的范畴集合被视为这个三元组的语义表示。大量的实验表明,我们的模型大大优于其他国家的最先进的基线。
2020-04-01 cs.AI cs.LG
An Ontological Knowledge Representation for Smart Agriculture
University of Petroleum and Energy Studies(石油与能源研究大学);Tennessee Technological University(田纳西理工大学);University of Versailles(凡尔赛大学)
为了为农业提供基础设施,它需要利用先进的技术,如大数据,云和物联网(IoT);智能农业是一种管理概念,专注于提供跟踪,监控,自动化和分析操作所需的基础设施。表示从收集的原始数据中提取的知识至关重要。提出了一个面向智能农业系统的农业本体框架。知识图谱被表示为一个格来捕获和执行时空农业数据的推理。
2021-12-21 cs.AI
Mathematical Knowledge Representation: Semantic Models and Formalisms
Kazan Federal University(喀山联邦大学);Research Institute of Applied Semiotics of the Tatarstan Academy of Sciences(鞑靼斯坦科学院应用符号学研究所)
本文综述了解决数学知识管理基本任务的语义方法。本体模型和形式主义进行了讨论。我们提出了一个数学知识本体,涵盖了广泛的数学领域。我们展示了这种表示在数学公式搜索和学习中的应用。
2014-08-29 cs.AI cs.DL cs.IR
Knowledge Graph Embedding: A Survey from the Perspective of Representation Spaces
Sun Yat-sen University(中山大学);University of Glasgow(格拉斯哥大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
知识图谱嵌入(KGE)是一种越来越流行的技术,它旨在将知识图谱中的实体和关系表示到低维的语义空间中,具有广泛的应用,如链接预测、知识推理和知识补全等。在本文中,我们提供了一个系统的审查现有的KGE技术的基础上表示空间。特别是,我们建立了一个细粒度的分类模型分类的基础上表示空间的三个数学角度:(1)代数的角度,(2)几何的角度,(3)分析的角度。在深入KGE模型及其数学性质之前,我们介绍了基本数学空间的严格定义。我们进一步讨论了这三类不同的KGE方法,并总结了空间优势如何在不同的嵌入需求中发挥作用。通过整理来自下游任务的实验结果,我们还探索了数学空间在不同场景下的优势及其背后的原因。我们进一步从表征空间的角度阐述了一些有前途的研究方向,希望以此启发研究人员在设计KGE模型及其相关应用时更多地考虑其数学空间特性。
2023-10-15 cs.AI cs.CL cs.IR
Clustering as an Evaluation Protocol for Knowledge Embedding Representation of Categorised Multi-relational Data in the Clinical Domain
University College London(伦敦大学学院);Institute of Health Informatics(健康信息学研究所)
学习知识表示是一种越来越重要的技术,适用于许多特定领域的机器学习问题。我们讨论了传统的链接预测或知识图谱完成评估协议的有效性时,嵌入知识表示的分类多关系数据在临床领域。链接预测用于将数据划分为训练和评估子集,导致训练过程中的信息丢失,并损害知识表示模型的准确性。我们提出了一个聚类评估协议作为替代传统上使用的评估任务。我们使用了由知识嵌入方法训练的嵌入模型,该方法已经过临床数据集的评估。Pearson和Spearman相关性的实验结果表明,新提出的评估协议是pottententially能够取代链接预测强有力的证据。
2019-12-29 cs.AI cs.LG cs.SI
Current and Future Challenges in Knowledge Representation and Reasoning
Simon Fraser University(西蒙弗雷泽大学);Ulm University(乌尔姆大学);University of Cape Town(开普敦大学);University of Kentucky(肯塔基大学);University of Liverpool(利物浦大学)
本文基于2022年Dagstuhl研讨会成果,系统阐述知识表示与推理的起源、现状、与人工智能及其他学科的关系,并指出未来十年面临的关键挑战与优先发展方向。
2023-08-08 cs.AI
From Shallow to Deep Interactions Between Knowledge Representation, Reasoning and Machine Learning (Kay R. Amel group)
GDR Aspects Formels et Algorithmiques de l’Intelligence Artificielle(法国国家科学研究中心人工智能形式与算法研究组);CNRS(法国国家科学研究中心)
本文对知识表示与推理(KRR)和机器学习(ML)这两个在过去三十年中发展得相当独立的领域之间的交汇点进行了尝试性和原创性的调查。一些常见的问题进行了确定和讨论,如使用的表示类型,知识和数据的作用,缺乏或过多的信息,或需要解释和因果关系的理解。然后回顾了一些结合推理和学习的方法(例如归纳逻辑程序设计、神经符号推理、形式概念分析、基于规则的表示和ML、ML中的不确定性或基于案例的推理和类比推理),然后讨论KRR和ML之间协同作用的示例(包括回归的置信函数,EM算法与修正,向量表示的语义描述,深度学习与高级推理、知识图谱完成、用于数据采掘的声明性框架或偏好和推荐的组合)。本文是正在进行的工作的第一步,旨在更好地相互了解KRR和ML的研究,以及它们如何合作。
2019-12-13 cs.AI
A Unified Knowledge Representation and Context-aware Recommender System in Internet of Things
在快速发展的物联网(IoT)中,大量不同的物理设备、边缘设备、云基础设施及其服务质量要求(QoS)需要在统一的规范中表示,以便实现快速的IoT应用开发、监控和动态重新配置。但是,不同配置知识表示模型之间的异质性对协调物联网应用的配置知识的获取、发现和管理造成了限制。提出了一种统一的数据模型来表示物联网资源配置知识工件。它还提出了IoT-CANE(上下文感知的知识推荐系统),以促进增量式知识获取和声明式上下文驱动的知识推荐。
2018-05-24 cs.AI cs.DC cs.IR
RDF annotation of Second Life objects: Knowledge Representation meets Social Virtual reality
Univ. of Messina(墨西拿大学);Univ. of Milan(米兰大学)
我们已经设计并实现了一个应用程序运行在第二人生,支持用户注释的图形对象和图形可视化的概念本体,从而提供了一个正式的,机器可访问的对象描述。因此,我们提供了一个平台,结合图形知识表示,预计从MUVE工件的语义结构的资源框架描述(RDF)表示的信息。
2015-04-09 cs.AI cs.HC
Uncertain and Approximative Knowledge Representation to Reasoning on Classification with a Fuzzy Networks Based System
Institut Préparatoire aux études d'Ingénieur de Monastir(莫纳斯提尔工程师预科学院)
这里描述的方法允许使用模糊对象表示的不精确和不确定的知识。这种表示有很大的实际意义,由于可能实现推理的分类与模糊语义网络为基础的系统。例如,必要的,可能的和用户类之间的区别允许考虑到可能出现在模糊知识库中的异常,并促进用户对象在基础中的集成。这种方法描述了整个实验性人工智能体系结构的理论方面。我们内置的了一个系统,以便为新技术系统的用户提供有效的在线帮助:从自然语言的查询中理解“它是如何工作的”和“如何完成任务”。在我们的模型中,程序语义网络被用来描述一个“理想”的专家的知识,而模糊集被用来描述模糊语义网络中的新手用户的近似和不确定的知识进行干预,以匹配模糊标签的查询与类别,从我们的“理想”的专家。
2012-06-11 cs.AI
A knowledge graph representation learning approach to predict novel kinase-substrate interactions
University of Delaware(特拉华大学);Georgetown University Medical Center(乔治城大学医学中心)
人类蛋白质组包含相互作用的激酶和底物的巨大网络。尽管一些激酶已被证明是非常有用的治疗靶点,但大多数仍然没有得到充分研究。在这项工作中,我们提出了一种新的知识图表示学习方法来预测新的相互作用的合作伙伴未充分研究的激酶。我们的方法使用通过整合来自iPTMnet,蛋白质本体论,基因本体论和BioKG的数据构建的磷酸化蛋白质组学知识图。在这个知识图中的激酶和底物的表示是通过在与修改的SkipGram或CBOW模型耦合的三元组上执行定向随机游走来学习的。然后,这些表示被用作监督分类模型的输入,以预测未充分研究的激酶的新的相互作用。我们还提出了预测相互作用的预测后分析和磷酸蛋白质组学知识图的消融研究,以深入了解未充分研究的激酶的生物学。
2022-06-10 cs.AI q-bio.MN q-bio.QM
What Makes AI Research Replicable? Executable Knowledge Graphs as Scientific Knowledge Representations
Zhejiang University(浙江大学);Ant Group(蚂蚁集团);Zhejiang University - Ant Group Joint Laboratory of Knowledge Graph(知识图谱联合实验室)
本文提出可执行知识图谱(xKG),通过整合文献中的代码片段和技术洞察,提升AI研究的可重复性,实验显示其在PaperBench上性能提升显著。
2026-04-19 cs.AI cs.CL cs.LG