基于LSTM的大规模知识库自动问答

针对大规模知识库问答的特点, 构建一个包含3个主要步骤的问答系统: 问句中的命名实体识别、问句与属性的映射和答案选择。采用别名词典结合LSTM语言模型进行命名实体识别, 使用双向LSTM模型结合两种不同的注意力机制进行属性映射, 最后综合前两步的结果进行实体消歧和答案选择。该系统在NLPCC-ICCPOL 2016 KBQA任务提供的数据集上的平均F1值为0.8106, 接近评测的最好水平。     

融合角色指代的多方对话关系抽取方法研究

在前期基于图网络的模型基础上,引入角色指代信息,提出融合角色指代的多方对话关系抽取模型.在构建图节点时加入角色节点,将其与对应角色指代的词节点进行连接,并使用图注意力网络进行编码.在DialogRE数据集上的实验效果与基线模型相比,F1值在验证集上提升2.9％,在测试集上提升4.6％.     

基于时频融合注意力网络的频谱预测方法

频谱预测能够建模频谱状态时频域关联关系,对于降低不同优先级用户频谱冲突、提升频谱利用率具有重要意义。针对复杂动态电磁环境中频谱状态多维复杂关联特性建模问题,综合考虑频谱数据中的时间相关性和频段相关性,提出一种基于时频融合注意力网络的频谱预测方法。通过多个扩张因果卷积提取频谱数据中不同周期的时序特征,将多频段频谱数据用图表征,利用图卷积网络获取频域特征,引入注意力网络对时域特征和频域特征进行动态加权,有效提升模型的训练效率和预测精度。基于实测频谱数据的大量仿真结果表明,典型场景下平均绝对误差、均方根误差和平均绝对百分比误差等指标比现有典型预测算法分别降低15.8%、16.9%、15.1%,训练时间平均降低21.5%。     

基于关系感知双重注意力融合的视觉问答技术

传统视觉问答技术仅采用简单的位置注意力,缺乏语义注意力,从而引起问题推理错误.本文采用双重注意力机制从图像获取位置信息和语义信息,以外积形式进行融合,获得文本也采用双重注意力融合实体和对应关系的信息,帮助理解问题.双重注意力动态方式可以实现关系融合、动态学习,改变传统静态学习方式.以多标签分类器实现答案推理,减少传统二...     

基于多角度融合与联合记忆网络的视频问答认知模型

为了解决现有视频问答模型认知推理能力不足的问题,引入旁观者记忆模块,提出了基于多角度融合与联合记忆网络的机器认知模型.该模型根据问题定位目标对象,获得视频中对应的区域特征,同时联合视频的运动特征和外观特征,通过加入时间注意力机制的门控循环单元,有效地融合问题特征和视频特征,用于答案的生成,以提高模型认知推理能力.实验结果表明：相比于现有的视频问答模型,该模型的准确率更高,尤其对于推理难度较大的信念推理问题,该模型体现出了更好的推理能力及泛化性能.     

一种融合标签间强相关性的多标签图像分类方法

为了将标签间的语义相关性引入多标签图像分类模型中,传统的方法例如 ML-GCN 通过设置单阈值将标签条件概率矩阵二值化为标签共现矩阵,然而,仅设置单阈值很难归纳所有的标签语义关系情况。 针对这一问题,提出一种融合标签间强相关性的多标签图像分类方法—MGAN(Multiple Graph Convolutional Attention Networks),通过设置多个阈值,将传统的标签条件概率矩阵按照不同的相关性程度分割为多个子图;同时,为了提升多标签分类性能,也引入图像区域空间相关性。 另外,针对传统的“CNN+GCN”方法将标签与特征的融合张量视为预测分数缺乏可解释性问题,将标签与特征的融合张量视为注意力分数;在 MS-COCO 和 PASCAL VOC 数据集上与其他主流多标签图像分类方法进行了对比实验,平均准确率分别达到了 94. 9%和 83. 7%,相较于经典 ML-GCN 模型,分别获得了 0. 9%和 0. 8%准确率提升,且在“Binary”和“Re-weighted”邻接矩阵模式下,MGAN 都有较好的表现,验证了新的融合方法可以缓解图卷积神经网络过平滑问题对多标签图像分类的影响。     

混合线性非线性网络的多源miRNA-疾病关联预测方法

现有miRNA-疾病关联研究大多采用miRNA功能和疾病语义相似性作为输入,未考虑miRNA序列和疾病功能等相似性信息,并且在特征提取过程中忽略了线性与非线性特征间的信息互补,影响特征质量。本文提出一种miRNA-疾病关联预测模型GCNMSF,它基于miRNA和疾病多源相似性信息,融合嵌入卷积注意块的图卷积网络学习的非线性特征和非负矩阵分解方法学习的线性特征,实现信息互补,以预测miRNA-疾病关联。实验结果表明,GCNMSF模型优于现有的miRNA-疾病关联预测方法,可以有效预测miRNA-疾病关联。     

基于拓展关键词信息的对话生成模型

在对话过程中,人们通常根据对方上一句话的关键词做出相应的回复。为了生成与关键词含义相关的回复,提出了拓展关键词信息注意力机制的对话生成模型。首先从输入语句中提取关键词,然后根据关键词词向量余弦相似度找出与关键词相关的词语构成拓展关键词集合,将集合中词语的词向量通过注意力机制的方式加入解码过程来影响回复生成。在中文微博数据集及英文Twitter数据集上的实验表明,该模型在回复语句的相关性及多样性方面取得了优于其他模型的结果。     

基于无监督样本关系嵌入模型的疟疾识别算法

目的 在不依赖真实标签的情况下利用图像样本关系识别被疟疾寄生虫感染的细胞。方法 采用一种能够提取样本间关系的无监督疟疾识别方法,并提出了一个由3个模块组成的样本关系注意力嵌入(Sample Correlation Attention Embedding, SCAE)模型。特征和关系初始化模块用于将原始图像映射为特征向量,并建立疟疾细胞之间的初始相关性矩阵。图注意力编码器模块通过一个带有注意力机制和图重构技术的图卷积网络进一步学习样本间特征和他们的关系信息。深度特征聚类模块用来预测细胞是否被疟疾感染。结果 将SCAE模型与一些最新的无监督算法进行了比较,以验证其在疟原虫识别任务中的有效性。结果表明,SCAE算法可达到94.8%的准确率、86.8%的标准化互信息(NMI)指标和84.7%的调整互信息(AMI)指标。结论 通过对SCAE模型评估,证明了该方法具有强大的疟疾识别能力,是当前最优的无监督疟疾识别方法。     

融合场景及交互性特征的多人行为识别

人类的行为复杂多样,场景、外观、位置等信息均与行为息息相关.本文针对如何高效地综合利用这些信息的问题,提出了融合场景及交互性特征的多人行为识别方法,使用双通道的方式分别提取个体外观特征与场景特征.对于个体通道,采用注意力机制模块来关注与行为相关度更大的区域,并将提取的个体外观特征结合位置特征输入图卷积网络进行关系推理.其中,图卷积网络采用了余弦相似度的方法度量个体特征之间的相关性,并结合个体之间的位置特征进行关系推理;对于场景通道,使用在place365数据集上预训练的ResNet 50提取场景特征.最后,本文将个体以及场景通道所得的特征进行加权融合,得到群组以及所有个体的行为识别结果.在Collective Activity Dataset（CAD）数据集上的实验表明,该方法能提高行为识别的准确率,群组行为以及个体行为的准确率分别达到了92.29%与78.19%.     

基于知识图谱中路径推理的多轮对话模型

基于图编码器的路径推理方法, 将知识图谱多轮对话的实体间关系作为节点图, 编码器根据每轮对话对节点逐次编码从而模拟语义推理过程, 最终预测当前对话的答案实体, 解决了对话中存在缺省词和指代词的问题以及复杂语境下的特征提取问题. 实验结果表明, 该方法更关注实体间的关系, 有助于保持推理的完整性和准确性, 在一定程度上证明了将上下文建模为关系节点图的实用性和有效性.     

融合属性嵌入与关系注意力的跨语言实体对齐

目前知识图谱实体对齐的主流方法是通过图神经网络学习知识图谱的嵌入表示,并测量实体嵌入之间的相似性实现实体的对齐. 很多实体对齐方法只考虑知识图谱的结构信息和关系信息,却常常忽略了属性信息. 针对上述问题,提出了一种融合属性嵌入的实体对齐方法：融合属性信息的精简关系感知双图卷积网络模型. 首先,基于关系感知双图卷积网络的注意力机制提取知识图谱的关系信息;然后,利用带高速门的图卷积网络获取属性信息;最后,融合二者的嵌入信息以实现更高准确率的实体对齐. 在3个跨语言数据集上的实验结果表明,该方法通过融合知识图谱属性信息增强了实体表示能力,在3个数据集上Hits@1值相比原模型分别增长了6.42%、4.59%和1.98%,对齐效果明显优于目前主流的实体对齐方法.     

结合问题-关系注意力和特征视图匹配的关系检测方法

问答系统作为信息检索的一种高级形式,已成为人工智能和自然语言处理领域中一个备受关注的研究方向。本文聚焦于知识图谱问答(Knowledge Graph Question Answering, KGQA)研究中的关系检测,针对现有方法中未能较好兼顾全局语义和局部语义信息,以及复杂问题准确率不高的问题,提出了一种结合问题-关系注意力和特征视图匹配的关系检测方法。该方法从问题和知识库中提取多粒度的特征,将提取特征构造成特征对视图作为关系检测模型的输入,视图内部利用双边多视角匹配(Bilateral Multi-Perspective Matching, BiMPM)进行比较匹配,得出关系预测结果。为验证本文提出的方法,在SimpleQuestions、WebQSP数据集上,与6种主流基线方法进行对比实验,本方法的准确率分别提升3.42个和0.45个百分点。     

基于关系图卷积神经网络与双注意力的方面级情感分析

现有基于句法依存树的方面级情感分析模型大多只关注了句子的句法依赖结构,忽视了单词间的位置语义关系,同时现有模型只关注图卷积神经网络最后一层的输出,不能从不同的图卷积层学习。针对这个问题,提出了一种基于关系图卷积神经网络与双注意力的方面级情感分析模型。通过关系感知注意力抽取文本的位置语义关系,并与句法依存树结合,获取文本中丰富的结构信息,使用图卷积神经网络提取方面词的深层表示,使用双注意力机制融合不同图卷积层的输出,结合方面词的深层表示和上下文信息进行情感分类。在semval14和twitter数据集上的实验结果表明,与基准实验相比,关系图卷积网络和双注意力结构可以有效地提高模型的整体性能。     

基于知识图谱嵌入的多跳中文知识问答方法

基于知识图谱嵌入模型, 提出一种知识图谱嵌入评分与链路评分相结合的评分方法, 以解决中文领域的多跳知识图谱问答任务, 与传统的单跳知识问答方法相比适用性更广. 该方法在搜索最优答案的同时构建一个查询链路, 通过查询给出答案集合, 从而有效缓解了现有方法中遗漏答案的情况. 在NLPCC-MH数据集上的实验结果表明, 该方法在多跳问题上的平均F₁值为0.653, 显著优于对比方法. 真实知识图谱通常存在链路缺失的情况, 实验以随机丢弃25%三元组的方式模拟了知识图谱的稀疏性, 结果表明该方法在这种情况下仍然有效.     

基于图注意力网络的多标签图像分类模型

针对ML-GCN中标签共现嵌入维度过高影响模型分类性能和ML-GCN中没有充分发掘标签之间不对称关系的问题,提出一种基于图注意力网络的多标签图像分类模型ML-GAT;ML-GAT模型首先对高维标签语义嵌入矩阵进行降维;然后通过降维后的低维标签语义嵌入表示和标签类别共现图得到标签共现嵌入;与此同时ML-GAT将多标签原始...