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
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
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
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
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
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 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
Domain Representation for Knowledge Graph Embedding
Westlake University(西湖大学);Zhejiang University(浙江大学);Northeastern University(东北大学)
在连续多维向量空间中嵌入实体和关系已成为表示学习中知识图谱嵌入的主要方法。然而,大多数现有的模型忽略了表示层次知识,如在一个领域中的实体的相似性和不相似性。我们提出了在现有的知识图谱嵌入模型上学习域表示,使得具有相似属性的实体被组织到相同的域中。这种领域的层次知识可以在链接预测中提供进一步的证据。实验结果表明,域嵌入给出了最新的最先进的基线知识图谱嵌入模型的显着改善。
2019-09-11 cs.AI cs.CL
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
A Survey on Temporal Knowledge Graph: Representation Learning and Applications
College of Computer Science and Technology, Guizhou University(贵州大学计算机科学与技术学院);Department of Industrial Engineering, Tsinghua University(清华大学工业工程系)
本文针对现有研究多聚焦静态知识图谱、忽略其动态演化的问题,全面综述时序知识图谱表示学习及应用,介绍相关基础定义与指标,提出方法分类体系并深入分析,梳理下游应用并展望未来研究方向。
2024-03-02 cs.AI cs.CL
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
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
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
A Survey on Knowledge Graphs: Representation, Acquisition and Applications
Aalto University(阿尔托大学);Monash University(莫纳什大学);Nanyang Technological University(南洋理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
人类知识提供了对世界的正式理解。表示实体之间结构关系的知识图谱已经成为认知和人类智能的一个日益流行的研究方向。本文对知识图谱的研究现状进行了综述,包括1)知识图谱的表示学习、2)知识获取和完成、3)时态知识图谱、4)知识感知应用等方面的研究,并总结了近期的突破和展望方向,以促进未来的研究。我们提出了一个完整的视图分类和新的分类这些主题。知识图谱嵌入从表示空间、评分函数、编码模型和辅助信息四个方面进行组织。对于知识获取,特别是知识图谱的完善,嵌入方法,路径推理和逻辑规则推理,进行了综述。我们进一步探讨了几个新兴的主题,包括Meta关系学习,常识推理和时间知识图谱。为了促进未来对知识图谱的研究,我们还提供了一个针对不同任务的数据集和开源库的精选集合。最后,对几个有前景的研究方向进行了展望.
2021-04-01 cs.AI cs.CL
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
An Adversarial Transfer Network for Knowledge Representation Learning
Sun Yat-sen University(中山大学);South China Normal University(华南师范大学)
知识表示学习在过去的几年里受到了广泛的关注。现有方法的成功在很大程度上依赖于知识图谱的质量。三胞胎很少的实体往往是学习较少的表达能力。幸运的是,有许多知识图谱是由不同的来源构建的,它们的表示可以包含大量的信息。我们提出了一个对抗性的嵌入传输网络ATransN,它通过对齐的实体集将知识从一个或多个教师知识图谱传输到目标知识图谱,而没有显式的数据泄漏。具体来说,我们加入软约束对齐实体对和邻居现有的知识表示学习方法。为了解决教师和目标知识图谱之间可能存在的分布差异问题,我们引入了对抗性自适应模块。该模块的嵌入式计算评估对齐实体对的嵌入之间的一致性程度。然后,一致性得分被用作软约束的权重。教师知识图谱中的关系和三元组不需要获取,因为我们只利用实体表示。知识图谱完成结果表明,ATransN在三个数据集CN 31、WK 31和DWY 100 k上实现了更好的性能。消融研究表明,ATransN可以在不同的设置带来稳定和一致的改善。结合其他知识图谱嵌入算法的扩展和三个教师图的扩展显示了对抗转移网络的良好推广性。
2021-04-30 cs.AI cs.CL
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
Knowledge Graph Augmented Network Towards Multiview Representation Learning for Aspect-based Sentiment Analysis
Wuhan University(武汉大学);JD Explore Academy(京东探索研究院);Kunming University of Science and Technology(昆明理工大学)
基于情感的情感分析(ABSA)是一种细粒度的情感分析任务。为了更好地理解复杂长句,获得准确的特定方面的信息,语言和常识知识,一般需要在这个任务。然而,大多数当前方法采用复杂且低效的方法来并入外部知识,例如,直接搜索图形节点。此外,外部知识和语言信息之间的互补性还没有得到深入的研究。为此,我们提出了一个知识图谱增强网络KGAN,其目的是有效地将外部知识与明确的语法和上下文信息。特别地,KGAN从多个不同的角度捕获情感特征表示,即,基于上下文、语法和知识。首先,KGAN并行学习上下文和句法表示,以充分提取语义特征。然后,KGAN集成的知识图谱到嵌入空间,在此基础上的特定方面的知识表示进一步获得通过注意力机制。最后,我们提出了一个分层融合模块,以补充这些多视图表示在本地到全球的方式。在五个流行的ABSA基准上进行的大量实验证明了我们的KGAN的有效性和鲁棒性。值得注意的是,在RoBERTA预训练模型的帮助下,KGAN在所有数据集中实现了最先进性能的新记录。
2023-03-14 cs.AI cs.CL
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
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
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
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
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
Uncovering Relations for Marketing Knowledge Representation
Adobe Research(奥多比研究院)
消费者和营销人员的在线行为产生了大量的营销数据,越来越复杂的模型试图将其转化为营销人员的见解和辅助决策。然而,在做出决策时,人类管理者会利用数据和模型之外的营销知识。因此,有必要创建一个可以与数据和模型交互的自动化营销知识库。目前,市场营销知识分散在大型语料库中,但不存在明确的知识库。在营销知识表示和推理这两个广泛的方面,本论文侧重于前者。具体来说,我们专注于从语料库中创建营销知识图谱,这需要识别实体和关系。关系识别任务在营销中特别具有挑战性,因为许多营销知识的非事实性质,以及形成管理关系的规则的困难。具体来说,我们定义了一组关系来捕捉营销知识,提出了一个管道创建的知识图谱从文本和提出了一个规则引导的半监督关系预测算法,从句子中提取营销实体之间的关系。
2020-01-24 cs.AI cs.CL
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
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
Accomplishable Tasks in Knowledge Representation
DongA University(东亚大学)
知识表示(KR)传统上是基于事实的逻辑,用布尔逻辑表示。然而,关于代理的事实也可以被看作是代理完成的一组任务。本文提出了一种新的KR方法:基于可计算逻辑的任务逻辑KR的概念。这个概念允许用户代表代理完成的任务和可执行的任务。这个概念使我们能够建立复杂的KR许多有趣的代理,这是不支持以前的逻辑语言。
2013-06-07 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
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
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
Dual Embodied-Symbolic Concept Representations for Deep Learning
IBM(IBM(国际商业机器公司))
基于认知神经科学的最新研究结果,我们主张使用双层次模型进行概念表征:具体层次由面向概念的特征表征组成,符号层次由概念图组成。概念表示是模态特定的,并且在特征空间中以特征向量的形式存在。另一方面,符号概念表示是非模态的和语言特定的,并且以词/知识图嵌入概念/知识空间的形式存在。人类的概念系统包括具体的表征和符号表征,它们通常相互作用以驱动概念处理。因此,我们进一步提倡使用双重符号化概念表示进行深度学习。为了证明它们的使用和价值,我们讨论了两个重要的用例:用于Few-Shot类增量学习的符号化知识蒸馏,以及用于图像-文本匹配的符号化融合表示。双符号概念表示是深度学习和符号AI集成的基础。我们讨论了两个重要的例子,这种集成:场景图生成与知识图桥接,和多模态知识图谱。
2022-03-01 cs.AI cs.LG
Temporal Knowledge Graph Reasoning with Low-rank and Model-agnostic Representations
Saarland University(萨尔大学);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心(DFKI))
时态知识图谱补全(TKGC)是一种基于事件和时态知识图谱的推理方法,其目标是对具有精确信息但缺失信息的知识进行补全。在这种情况下,张量分解已经成功地模拟了实体和关系之间的交互。它们在静态知识图谱完成中的有效性促使我们引入Time-LowFER,这是低秩张量因子分解模型LowFER的一系列参数高效和时间感知的扩展。注意到目前的方法来表示时间的几个限制,我们提出了一个周期感知的时间编码方案的时间功能,这是模型不可知的,并提供了一个更广义的时间表示。我们实现我们的方法在一个统一的时间知识图谱嵌入框架,专注于时间敏感的数据处理。实验结果表明,我们提出的方法在两个基准测试中的表现与最先进的语义匹配模型相当或更好。
2022-04-10 cs.AI cs.LG
Explainable Representations for Relation Prediction in Knowledge Graphs
LASIGE, Faculdade de Ciências(理学院LASIGE实验室);Universidade de Lisboa(里斯本大学)
SEEK通过识别实体间共享语义子图并学习其表示,为知识图谱关系预测提供可解释的多方面表示,在蛋白质相互作用和基因-疾病关联预测中显著优于标准方法。
2023-06-22 cs.AI cs.LG
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
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
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
A Survey of Knowledge Representation in Service Robotics
University of South Florida(南佛罗里达大学)
本文综述服务机器人中的知识表示,梳理其收集、表示与复现方式,区分于机器学习等模型,并探讨设计有效知识表示的关键原则。
2023-06-21 cs.AI cs.RO
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
From Knowledge Representation to Knowledge Organization and Back
University of Trento(特伦托大学)
本文详细阐述了知识表示与分面分析的知识组织方法,建立了两者间的功能映射,提出一种集成KO建模质量准则的KO增强KR方法,并通过图像标注案例验证了其实际益处。
2024-01-09 cs.AI cs.DL
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
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
From Knowledge Organization to Knowledge Representation and Back
University of Trento(特伦托大学);Dublin City University(都柏林城市大学)
本文系统比较分面分析式知识组织与知识表示,建立二者功能性映射,并提出由KR技术增强的整合KO方法论,且以特伦托大学数字大学应用验证其价值。
2024-01-22 cs.AI cs.DL
Knowledge Representation in Bicategories of Relations
Department of Statistics, Stanford University(斯坦福大学统计系)
我们介绍了关系本体日志,或关系日志,一个知识表示系统的基础上的集合和关系的范畴。它的灵感来自Spivak和Kent的olog,一个最近的知识表示的分类框架。关系逻辑介于逻辑和描述逻辑之间,描述逻辑是当今知识表示的主要形式。在本文中,我们调查关系逻辑本身的缘故,并深入了解之间的关系的代数和逻辑方法的知识表示。在实际的层面上,我们通过例子表明,关系日志有一个友好和直观的-但完全精确的-图形语法,来自monoidal类别的字符串图。我们解释了其他几个有用的功能的关系逻辑不具备大多数描述逻辑,如类型系统和丰富的,灵活的概念的实例数据。在一个更理论化的脉络中,我们利用范畴逻辑来展示关系逻辑如何在一阶逻辑的片段中被翻译成逻辑理论。虽然我们大量使用范畴语言,但本文的设计是自成一体的,有相当多的过渡性内容。唯一的先决条件是一阶逻辑的知识和范畴论的雏形。
2017-11-01 cs.AI cs.LO math.CT
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
FO(C): A Knowledge Representation Language of Causality
KU Leuven(鲁汶大学);Hasselt University(哈瑟尔特大学);transnational University of Limburg(林堡跨国大学)
因果关系是人类知识的重要组成部分。在现实生活中,人类经常会推理与复杂结果相关的复杂原因。相比之下,现有的表示因果关系知识的形式主义在它们所允许的因果关系的规范方面是非常有限的。在本文中,我们提出了新的语言C-Log,它提供了一个显着更具表现力的表示效果,包括创建新对象等功能。我们展示了C-Log如何与一阶逻辑集成,从而产生FO(C)语言。我们还比较了FO(C)与几个相关的语言和范式,包括归纳定义,析取逻辑编程,业务规则和扩展的数据库。
2014-05-09 cs.AI cs.LO