RotateQVS: Representing Temporal Information as Rotations in Quaternion Vector Space for Temporal Knowledge Graph Completion
National University of Defense Technology(国防科技大学);Pengcheng Laboratory(鹏城实验室);Huawei Technologies Co., Ltd.(华为技术有限公司)
在实际应用中,时间因素与事实的增长密切相关,如疾病的进展、政治局势的发展等,因此,时间知识图谱(TKG)的研究备受关注。在TKG中,时间性所固有的关系模式需要被研究,以便进行跨时间事实的表示学习和推理。然而,现有的方法很难建模的时间关系模式,也不能捕捉随着时间的推移,关系之间的内在联系,缺乏可解释性。在本文中,我们提出了一种新的时间建模方法,表示时间实体的旋转四元数向量空间(RotateQVS)和汉密尔顿的四元数空间的复向量的关系。我们证明了我们的方法可以模拟TKG中的关键关系模式,如对称,不对称,逆,并可以进一步捕获时间演变的关系理论。经验上,我们表明,我们的方法可以提高性能的链接预测任务超过四个时间知识图谱基准。
2022-03-17 cs.AI
Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs
Helmut-Schmidt-University Hamburg(汉堡赫尔穆特·施密特大学)
针对信息物理生产系统中时间自动机模型及检测异常难解释的问题,提出将其与系统形式化知识图谱结合并构建对应本体,经五罐混合系统验证可实现相关内容的形式化定义,提升可解释性。
2023-08-25 cs.AI
Representing Time-Continuous Behavior of Cyber-Physical Systems in Knowledge Graphs
本研究提出了一种在知识图谱中直接表示微分方程的模块化语义模型,并通过航空维护领域验证了其在整合复杂系统行为数据中的有效性。
2026-01-17 cs.AI
Representing Entity Importance in AI Knowledge Systems: A Dual-Signal Framework of Audience Evaluation and Structural Authority
研究人工智能知识系统中实体重要性表示,提出受众评估与结构权威双信号框架,经电影实体实验验证,表明两维度是不可冗余信号,贡献是最小知识表示框架及维度必要性实证测试,支持任务感知AI知识系统。
2026-07-24 cs.AI
Representing Knowledge Base into Database for WAP and Web-based Expert System
Widyagama University of Malang(玛琅威达亚马大学)
专家系统是为用户提供广泛的咨询服务而发展起来的,也是为公众提供经济实惠的服务而发展起来的.互联网已经成为这种服务的媒介,但是移动设备的存在通过利用移动web和WAP(无线应用协议)使得访问变得更加普遍。在Web和WAP上应用专家系统应用程序需要一个可以同时访问的知识库表示。本文提出了用决策树映射的方法来适应知识表示的单一数据库。由于数据库的存在,咨询应用程序可以通过Web和WAP访问它,为公众提供更实惠的专家系统服务选择。
2013-12-11 cs.AI cs.CY
NAIVE: A Method for Representing Uncertainty and Temporal Relationships in an Automated Reasoner
Hewlett-Packard Laboratories(惠普实验室)
本文介绍了NAIVE,一种低级知识表示语言和推理过程。NAIVE被设计用于对医学中发现的非确定性动态系统进行推理。知识表示在一个图形结构中,该结构由节点和弧组成,节点对应于描述感兴趣的系统的变量,弧对应于用于从其他变量的值推断变量的值的过程。一个变量的值可以在一个时刻、一段时间间隔或一系列时间内确定。关于变量值的信息表示为概率密度函数,该函数量化每个可能值的可能性。推理过程使用这些概率密度函数来传播不确定性。NAIVE已被用于开发包括100多个变量的医学知识库。
2013-03-27 cs.AI
Computing Rule-Based Explanations of Machine Learning Classifiers using Knowledge Graphs
Artificial Intelligence and Learning Systems Laboratory(人工智能与学习系统实验室);School of Electrical and Computer Engineering(电气与计算机工程学院);National Technical University of Athens(雅典国立技术大学)
使用符号知识表示和推理作为解决机器学习分类器缺乏透明性的一种方法是近年来吸引了许多研究人员的研究领域。在这项工作中,我们使用知识图谱作为基础框架,提供了用于表示机器学习分类器的操作的解释的术语。特别是,给出了一个描述的应用领域的分类器的形式的知识图谱,我们介绍了一种新的方法,用于提取和表示黑箱解释其操作,在一阶逻辑规则的形式表示的术语的知识图谱。
2022-02-08 cs.AI
Representing Web Applications As Knowledge Graphs
Skil Inc(Skil公司)
本文提出将Web应用建模为知识图谱的方法,以结构化状态为节点、用户动作为边,克服传统超链接爬取方法对动态交互行为捕获不足的局限,从而支持自动化测试和行为分析等下游任务。
2024-10-06 cs.AI cs.IR
Tax Knowledge Graph for a Smarter and More Personalized TurboTax
Intuit(英图伊特公司);Technology Futures(技术未来公司)
大多数知识图谱用例都是以数据为中心的,专注于表示数据实体及其语义关系。用知识图谱技术表示大规模复杂业务逻辑,目前还没有公开的成功案例。在本文中,我们将分享我们的创新和实用的方法来表示复杂的美国和加拿大的所得税合规逻辑(计算和规则)通过大规模的知识图谱。我们将介绍如何构建和自动化税务知识图谱,如何使用它来计算退税,推理以查找丢失的信息,并导航以解释计算结果。税务知识图谱帮助Intuit将旗舰产品TurboTax转变为智能和个性化的体验,加速和自动化税务准备流程,同时为数百万客户注入信心。
2020-09-13 cs.AI
Representing Pedagogic Content Knowledge Through Rough Sets
Indian Statistical Institute(印度统计研究所)
针对教师内容知识难以近似且连贯形式化的问题,提出基于粗糙集的两层模型,以统一处理模糊性、粒度和多模态性,并通过等式推理示例验证。
2024-04-15 cs.AI cs.LO
A Theory of Formalisms for Representing Knowledge
Zhejiang Lab(之江实验室);Nankai University(南开大学)
本文提出一个通用框架刻画知识表示形式化体系,证明所有通用形式化体系及满足填充性质的两两互译形式化体系均递归同构,从而在离线编译意义下统一了声明式与过程式、符号与连接主义之争。
2024-12-29 cs.AI cs.CC cs.LO
An Ontology-based Knowledge Management System for Industry Clusters
Chiang Mai University(清迈大学);University Lumiere Lyon 2(里昂第二大学)
知识经济迫使国内的公司组成一个集群,以保持其在世界市场上的竞争力。集群的发展依赖于两个关键的成功因素,这是知识共享和集群中的行动者之间的合作。因此,本研究试图提出知识管理系统,以支持集群内的知识管理活动。为了实现本研究的目标,本体在知识管理过程中以各种方式发挥了非常重要的作用;例如,建立可重用的和更快的知识库,更好地表示知识的方式。然而,由于知识源的模糊性和非结构化,本体的创建和表示给组织带来了困难。因此,本文的目标是提出的方法来创建和表示本体的组织发展,利用知识工程的方法。泰国的手工业集群被用作案例研究来说明我们提出的方法。
2008-06-03 cs.AI
Representing Knowledge as Predictions (and State as Knowledge)
本文展示了如何一个单一的机制允许知识直接从代理的原始感觉运动流逐层构建。这种机制,一般价值函数(GVF)或“预测”,捕捉高级,抽象的知识作为一组预测现有的功能和知识,完全基于代理的低层次的感觉和行动。因此,预测提供了一种将原始感觉运动数据组织成无限层数的有用抽象的表示-这是人工智能和认知科学长期追求的目标。本文的核心是一个详细的思想实验,提供了一个具体的,一步一步的正式说明人工代理如何建立真正的,有用的,抽象的知识,从其原始的感觉运动经验。知识表示为一组分层的预测(预报)的代理人的观察到的后果,其行动。这幅图显示了12个独立的层:最低层由原始像素、触摸和力传感器以及少量动作组成;较高的层在抽象中增加,最终产生了关于智能体世界的丰富知识,大致对应于门口、墙壁、房间和平面图。然后,我认为,这种一般的机制可能允许广泛的日常人类知识的代表。
2021-12-12 cs.AI cs.LG
Deductive and Analogical Reasoning on a Semantically Embedded Knowledge Graph
U.S. Army Research Laboratory(美国陆军研究实验室)
将知识表示为连续语义向量空间中的高维向量,可以克服传统知识库的脆弱性和不完备性。我们提出了一种直接在这样的向量空间中进行演绎推理的方法,在推理链的每一步都以简单的方式结合类比、联想和演绎,利用来自不同来源和本体的知识。
2017-07-11 cs.AI
NetNeg: A Connectionist-Agent Integrated System for Representing Musical Knowledge
这里提出的系统表明,通过集成子符号和符号过程,在一个复杂的音乐活动中所涉及的知识建模的可行性。这项研究的重点是在音乐领域内的神经网络与分布式人工智能方法集成在一起是否有任何优势的问题。我们工作的主要目的是设计一个模型,描述用户在参与音乐活动时可能感兴趣的不同方面。我们在这项工作中建议的方法使音乐家能够将他的知识,直觉和审美品味编码到不同的模块中。该系统通过计算和应用三个不同的功能来捕获这些方面:规则,模糊概念和学习。作为一个案例研究,我们开始尝试第一物种的两部分对位旋律。我们已经开发了一个混合系统组成的连接模块和基于代理的模块相结合的子符号和符号的水平来实现这一任务。这种表现音乐知识的方法为复调音乐的创作提供了一种新的途径。
2002-03-17 cs.AI cs.MA
Knowledge Graph Embeddings with Representing Relations as Annular Sectors
Corresponding author(通讯作者)
针对现有基于区域的知识图谱嵌入模型忽略实体语义层级的问题,提出极坐标下的SectorE模型,将关系建模为环形扇区、实体嵌入为扇区内点以编码层级结构,在多个基准数据集上取得了有竞争力的性能。
2025-06-06 cs.AI cs.CL cs.LG
Representing Scholarly Claims in Internet Digital Libraries: A Knowledge Modelling Approach
本文关注的是在分布式研究社区中跟踪和解释学术文献。我们认为,目前的文档描述方法,以及目前的技术基础设施,特别是在万维网上,这些任务提供了很差的支持。我们描述了一个数字图书馆服务器的设计,它将使作者提交一个摘要的贡献,他们声称他们的文件,使其与文献的关系。我们描述了一个以知识为基础的Web环境,以支持这样一个社区构建的语义超文本的出现,它可以提供的服务,以协助解释一个想法或文件的上下文中的文献。讨论认为,详细的方法如何解决与知识结构化环境的可用性问题。
1999-08-19 cs.AI cs.DL cs.HC
Partial Knowledge In Embeddings
表示领域知识对任何任务都至关重要。已经开发了各种各样的技术来表示这种知识,从较旧的基于逻辑的方法到最近的基于深度学习的技术(即嵌入)。在本文中,我们将讨论其中的一些方法,重点是经常进行的代表性表达权衡。特别是,我们专注于各种技术的能力,以编码“部分知识”-成功的知识系统的一个关键组成部分。我们介绍和描述的概念“合奏的嵌入”和“聚合嵌入”,并演示他们如何允许部分知识。
2017-10-28 cs.AI
Stratified Knowledge Bases as Interpretable Probabilistic Models (Extended Abstract)
Cardiff University(卡迪夫大学);KU Leuven(鲁汶大学)
在本文中,我们提倡使用分层逻辑理论来表示概率模型。我们认为,这样的编码可以比现有的框架,如马尔可夫逻辑网络中获得的更可解释。其中,这允许使用领域专家通过直接删除、添加或修改逻辑公式来改进学习的模型。
2016-11-18 cs.AI
Geo-Situation for Modeling Causality of Geo-Events in Knowledge Graphs
Arizona State University(亚利桑那州立大学);University of Maine(缅因大学)
本文提出了一个框架表示和推理的地理事件之间的因果关系,通过引入地理局势的概念。这一概念与代表各种条件的观测快照相联系,既可以作为地质事件的背景,也可以影响地质事件的发生。我们设想在代表地理实体的知识图谱中使用这个框架将有助于回答为什么发生地理事件的重要问题。
2022-06-27 cs.AI
Robot Task Planning Based on Large Language Model Representing Knowledge with Directed Graph Structures
South China University of Technology(华南理工大学);University of Washington(华盛顿大学)
针对传统机器人任务规划在非结构化环境与复杂任务下的挑战,提出结合人类经验与LLM的任务规划方法,设计有向图知识表示的Think_Net_Prompt模板与任务树分解、规划解耦策略,在多任务上表现良好并指出待改进方向。
2023-06-08 cs.AI cs.RO
RNA-KG: An ontology-based knowledge graph for representing interactions involving RNA molecules
University of Milan(米兰大学);Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
提出RNA-KG,一个整合50多个数据库的RNA知识图谱,通过本体对齐统一表示RNA相关生物分子与医学概念,支持SPARQL查询与计算分析,为“RNA世界”研究提供集中一致的资源。
2023-11-30 cs.AI cs.CE
eSPARQL: Representing and Reconciling Agnostic and Atheistic Beliefs in RDF-star Knowledge Graphs
Institute for Artifical Intelligence, University of Stuttgart(斯图加特大学人工智能研究所);University of Koblenz(科布伦茨大学);University of Southampton(南安普顿大学)
本文针对 RDF-star 缺乏嵌套陈述语义与操作机制的问题,提出基于四值逻辑的 eSPARQL,通过扩展 SPARQL-star 的 FROM 子句支持多源冲突信念的查询、聚合、冲突识别与信念嵌套。
2024-08-06 cs.AI cs.DB
Geospatial Knowledge Graphs
University of Bristol(布里斯托大学)
该研究介绍了地理空间知识图谱的核心概念、标准工具及在地理与环境科学中的应用,指出其可连接符号与亚符号GeoAI以解决跨学科地理空间问题,并展望了相关新研究方向。
2024-05-13 cs.AI
Mapping Big Data into Knowledge Space with Cognitive Cyber-Infrastructure
Chinese Academy of Sciences(中国科学院);Aston University(阿斯顿大学)
大数据研究已经引起了科技界、产业界和社会的高度关注。它随着不断发展的科学范式、第四次工业革命和技术的转型创新而发展。然而,它的性质和根本挑战尚未得到承认,它自己的方法论也没有形成。本文探讨并回答了以下问题:什么是大数据?表示、管理和分析大数据的基本方法是什么?大数据与知识之间的关系是什么?我们能找到从大数据到知识空间的映射吗?需要什么样的基础设施来支持大数据管理和分析,以及知识发现、共享和管理?大数据与科学范式的关系是什么?大数据计算的本质和根本挑战是什么?提出了一个多维度的大数据计算方法论。
2015-07-18 cs.AI
Representing First-Order Causal Theories by Logic Programs
Google Inc.(谷歌公司);Arizona State University(亚利桑那州立大学);University of Kentucky(肯塔基大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
由诺曼·麦凯恩(Norman McCain)和哈德森·特纳(Hudson Turner)提出的非单调因果逻辑成为几种表达性动作语言的语义基础。McCain将确定性命题因果理论嵌入到逻辑编程中,为使用答案集求解器来回答有关此类语言描述的动作的查询铺平了道路。在本文中,我们将这种嵌入扩展到非定理论和一阶因果逻辑。
2011-03-23 cs.AI cs.LO
A Semantic Web of Know-How: Linked Data for Community-Centric Tasks
Edinburgh University(爱丁堡大学);University of St Andrews(圣安德鲁斯大学)
本文提出了一种新的框架,代表社区的知识在语义Web上。由网络社区生成的程序性知识通常采取自然语言指令或视频的形式,并且在很大程度上是非结构化的。语义结构的缺乏阻碍了许多有用的应用程序的部署,特别是自动发现和集成技术诀窍的能力。我们讨论了社区专有技术的特点,并认为现有的知识表示框架不能充分代表它。我们提出了一个新的框架,用于表示社区知识的语义结构,并通过提供一个具体的实现,其中包括一种方法,用于自动获取程序知识的真实世界的任务,证明了我们的方法的可行性。
2014-10-29 cs.AI cs.CL
Representing, reasoning and answering questions about biological pathways - various applications
Arizona State University(亚利桑那州立大学)
生物有机体由许多相互关联的生化过程组成。当这些过程的正常功能被破坏时,就会发生疾病。因此,了解这些生物化学过程及其相互关系是生物医学研究的主要任务,也是诊断疾病和药物开发的先决条件。研究这些过程的科学家已经确定了负责药物代谢和信号传导等的各种途径。更新的技术和速度的提高导致了对这些途径的更深入的了解,导致精细模型往往是庞大而复杂的,人们很难记住它的所有方面。因此,需要计算机模型来分析它们。我们希望建立这样一个系统,允许对生物系统和途径进行建模,以便我们可以回答有关它们的问题。许多现有的模型专注于结构和/或事实问题,使用不需要理解底层模型的表面知识。我们认为,这些问题不是生物学家可能会问别人来测试他们对生物过程的理解的问题。我们希望我们的系统能够回答生物学家可能会问的问题。这样的问题出现在早期的大学课本中。因此,我们的论文的主要目标是开发一个系统,使我们能够编码有关生物途径的知识,并回答这些问题,展示对途径的理解。为此,我们开发了一种语言,将允许提出这样的问题,并说明我们的框架在生物领域的各种应用程序的效用。我们使用一些现有的工具进行修改,以实现我们的目标。最后,我们将我们的系统应用到现实世界中的应用,从文本中提取途径知识,并回答与药物开发相关的问题。
2014-03-03 cs.AI cs.CE cs.CL
Embracing Background Knowledge in the Analysis of Actual Causality: An Answer Set Programming Approach
Texas Tech University(得克萨斯理工大学);University of Nebraska at Omaha(内布拉斯加大学奥马哈分校)
该研究提出一种知识表示语言及原因定义,借助 Answer Set Programming 形式化实际因果性基准示例,并基于动作序列分析变化的实际原因。
2023-06-06 cs.AI cs.LO
Knowledge Representation for High-Level Norms and Violation Inference in Logic Programming
University of Ibadan(伊巴丹大学);The Polytechnic, Ibadan(伊巴丹理工学院)
大多数的知识表示的形式主义代表规定性normers.We认为,低层次的规范表示不推进自治的原因,在这个意义上说,它不是代理本身,它应该在一个特定的时间,在一个更一般的规则的帐户,规范的立场。换句话说,一个代理人在一些外部系统上为它的义务和禁令规定了具体的规定。另一方面,高层次的规范有一个明确的描述规范的前提条件,并有某种形式的含义,不像他们在文献中存在的不支持广义推理违反低层次的规范表示。本文提出了一种逻辑形式主义的高层次规范在开放的社会,使违反推理,详细的情况下,发生的规范违反和规范违反的身份表示。规范被形式化为逻辑程序,其头部指定当情况出现时,在情况的时间约束内,代理人有义务或允许做什么。每一个逻辑程序的主体都描述了期望代理人采取行动或停止行动的情况的性质。这种侵犯在文献中是新奇的。
2018-01-20 cs.AI cs.MA
Evaluating the Effectiveness of Large Language Models in Representing Textual Descriptions of Geometry and Spatial Relations
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本研究通过GPT-2和BERT编码WKT几何文本并评估其嵌入,发现LLM可保留几何类型和部分空间关系但数值估计与空间检索仍不足,强调需融合领域知识以改进GeoAI基础模型。
2023-07-05 cs.AI cs.CL cs.LG
Representing Hierarchical Structure by Using Cone Embedding
Keio University(庆应义塾大学)
图嵌入是一种重要的方法,在社交网络和知识图谱的完善等领域都有着广泛的应用。特别是,庞加莱嵌入已被提出来捕捉图的层次结构,其有效性已被报道。然而,大多数现有的方法在嵌入空间中有等距映射,并且原点的选择可以是任意的。当使用到原点的距离作为层次结构的指示符时,如庞加莱嵌入的情况下,这一事实是不可取的。在本文中,我们提出了锥嵌入,嵌入方法在一个度量锥,解决了这些问题,我们得到了进一步的好处:1)我们提供了一个指标的层次信息,这是几何和直观的自然解释,2)我们可以提取层次结构的图形嵌入输出的其他方法通过学习额外的一维参数。
2022-05-10 cs.AI cs.LG stat.ML
A Continual Relation Extraction Approach for Knowledge Graph Completeness
Free University of Berlin(柏林自由大学)
本文提出一种面向知识图谱完整性的持续关系抽取方法,通过信息抽取流水线将非结构化数据转换为知识图谱,识别现实数据流中实体间关系,并在德奥报纸冠状病毒新闻数据上进行验证。
2024-04-20 cs.AI cs.DL
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
OAK: Ontology-Based Knowledge Map Model for Digital Agriculture
University College Dublin(都柏林大学学院)
如今,数字农业已经积累了大量的知识。这些知识和专有技术信息是从各种来源收集的,因此问题是如何组织这些知识以便有效地利用它。虽然这种知识的农业实践可以表示使用本体论,基于规则的专家系统,或知识模型建立从数据采掘过程中,可扩展性仍然是一个悬而未决的问题。在这项研究中,我们提出了一个知识表示模型,称为基于本体的知识地图,它可以从不同的来源收集知识,存储它,并利用直接由利益相关者或作为输入的知识发现过程(数据采掘)。该模型包括两个阶段:1)构建本体作为特定领域和数据采掘概念的知识库; 2)构建基于本体的知识地图模型,用于表示和存储在作物数据集上挖掘的知识。该模型的框架已经在农业领域得到了实现。该模型具有高效性和可扩展性,可作为数字农业的知识库。
2020-11-20 cs.AI cs.DB
Logic Programming for Finding Models in the Logics of Knowledge and its Applications: A Case Study
Arizona State Univ.(亚利桑那州立大学);New Mexico State Univ.(新墨西哥州立大学)
知识逻辑是模态逻辑,已被证明是有效的表示和推理的知识在多代理领域。用于处理模型计算和知识逻辑中的有用转换的计算框架相对较少(例如,以支持具有知识动作和可见度的多代理规划)。本文探讨了使用逻辑编程(LP)编码有趣的形式的逻辑知识和计算Kripke模型。的LP建模扩展与有用的运营商Kripke结构,以支持多智能体规划中存在的世界改变和知识的行动。这将导致有史以来第一次实现这种类型的复杂的多智能体域的规划。
2010-07-21 cs.AI cs.LO
Cluster-norm for Unsupervised Probing of Knowledge
FZI(FZI(弗劳恩霍夫应用信息研究所));Cadenza Labs(Cadenza实验室);University of Cambridge(剑桥大学);ENS Paris-Saclay(巴黎萨克雷高等师范学校);UC Berkeley(加州大学伯克利分校);Caltech(加州理工学院)
本文提出聚类归一化方法,通过对对比对激活进行聚类和归一化,减少无关显著特征对无监督知识探测的干扰,从而提升探测方法识别目标知识的能力。
2024-10-03 cs.AI cs.CL cs.LG
Evaluating the Effectiveness of Large Language Models in Representing and Understanding Movement Trajectories
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本研究通过GPT-J编码轨迹字符串并评估其嵌入表示,发现LLM虽能保留部分轨迹距离度量、理解时空依赖并较好完成位置预测,但在数值恢复和空间邻近检索上仍存在不足,需结合领域知识改进以支持GeoAI应用。
2024-08-31 cs.AI cs.CL cs.LG
Norm Growth and Stability Challenges in Localized Sequential Knowledge Editing
University of California Berkeley(加州大学伯克利分校);University of Virginia(弗吉尼亚大学)
本研究揭示局部顺序知识编辑中更新矩阵范数持续增长导致模型失衡与激活空间偏移,引发性能退化,强调稳定性挑战。
2025-02-26 cs.AI cs.CL
Tracing the Roots of Facts in Multilingual Language Models: Independent, Shared, and Transferred Knowledge
The University of Tokyo(东京大学);Institute of Industrial Science(工业科学研究所)
该研究针对低资源语言下语言模型事实知识获取的难题,通过mLAMA数据集和多语言BERT的神经元分析,追溯事实知识的Wikipedia来源,识别出多语言语言模型获取事实的三种模式并提出区分方法,为改进多语言事实表征学习提供依据。
2024-03-08 cs.AI cs.CL
A Survey on Knowledge Organization Systems of Research Fields: Resources and Challenges
Knowledge Media Institute, The Open University(知识媒体研究所,开放大学);Department of Business and Law, University of Milano Bicocca(米兰比可卡大学商学院与法律系)
本文综述并从范围、结构、策展、使用和互链五维度比较45个学术领域KOS,揭示其异构性,并指出跨领域研究知识组织的集成需求与未来挑战。
2025-06-11 cs.AI cs.DL cs.IR