概念系统的图形表示方法

代术语学的创始人欧根·维斯特(Eugen Wüster)的<普通术语学和术语词典编纂学导论>(Einfürung in die allgemeine Terminologie und terminologische Lexikographie)的德文版第三版(1991年在波恩出版)中,讨论了术语学中概念系统的图形表示方法.笔者根据该书中"3.4"节的内容,写成了这篇读书心得.     

基于翻译模型的异质重边信息网络链路预测研究

在异质信息网络中,异质节点对象之间具有多元关系,形成异质重边信息网络.知识图谱表示旨在将实体和关系在低维的向量空间进行嵌入,可以用来学习异质重边信息网络中实体间的多元关系.首先通过注意力机制对异质重边信息网络中的多元关系进行融合表示,进而将异质节点的类型信息进行多元关系融合空间的映射,在多元关系融合空间上提出基于翻译的异质重边嵌入模型,用以学习异质节点之间的链路关系.最后,在MovieLens100k电影数据集上进行了异质节点多元关系的链路预测实验.实验结果表明,在异质重边信息网络中,基于改进的翻译模型在实体间链路预测性能方面要优于传统的知识表示方法,可以有效地提升链路预测的精度.     

夕阳产业的发展——以老年拐杖为例

本文从拐杖的发展角度出发,进而引入到对夕阳产业的思考。从网上爬取相关的数据进行说明,其中包括数字数据和文本数据,从数字的角度分析出目前智能拐杖发展研究不足的问题,通过语义网络图和LDA主题模型加以文本实例分析研究客户对智能产品的实际需求问题。     

基于自监督信息增强的图表示学习

针对图表示学习模型依赖具体任务进行特征保留以及节点表示的泛化性有限等问题,本文提出一种基于自监督信息增强的图表示学习模型(Self-Variational Graph Auto Encoder,Self-VGAE)。Self-VGAE首先使用图卷积编码器和节点表示内积解码器构建变分图自编码器(Variational Graph Auto Encoder,VGAE),并对原始图进行特征提取和编码;然后,使用拓扑结构和节点属性生成自监督信息,在模型训练过程中约束节点表示的生成。在多个图分析任务中,Self-VGAE的实验表现均优于当前较为先进的基线模型,表明引入自监督信息能够增强对节点特征相似性和差异性的保留能力以及对拓扑结构的保持、推断能力,并且Self-VGAE具有较强的泛化能力。     

塞拉斯与生物表征理论

不同于一般物理事物,心理状态通常被认为表征某物或某事态.对于心理现象的表征特征,塞拉斯认为,我们可以依据言语行为的语义学概念来解释.然而,在解释非语言动物的表征现象时,塞拉斯的观点会遇到难以克服的困难.针对这些困难,我将提出一种行动的表征概念——身体行动是一种基本的表征类型.确切地说,身体行动具有命题式表征内容,并能够...     

基于依存语义注意力的词对上下位关系识别

针对现有上下位关系识别方法未能充分挖掘利用词对共现句中上下位关系语义的问题,提出一种基于依存语义注意力的词对上下位关系识别方法．利用词对共现句最短依存路径的路径向量训练Softmax分类器进行上下位关系识别,引入依存语义注意力机制,构建最短依存路径的注意力权重向量和路径评价函数,更细粒度挖掘和表示不同词和不同路径对上下位关系语义的不同贡献,从而更充分利用精细语义特征实现更准确的上下位关系识别．结果表明：相比HypeNet和NPM等代表性方法,本方法在中文和英文实验数据集上的识别准确率分别可提高2.0%和1.3%,且识别性能更稳定．     

基于循环交互注意力网络的问答立场分析

针对现有问答立场分析方法未考虑问答文本间交互依赖关系的不足,该文提出一种基于循环交互注意力(recurrent interactive attention,RIA)网络的问答立场分析方法。该方法模拟人类的问答阅读理解机制,采用交互注意力机制和循环迭代策略,结合问题和回答的相互联系分析问答文本的立场信息。此外,为了处理问题文本无法明确表达自身立场的情况,该方法将问题转换为陈述句。在中文社交问答数据集上的实验结果表明,由于有效地表示了问答对依赖关系,本文方法的性能优于已有方法。     

基于光栅扫描的NAM优化策略

借助于Packing问题的优化思想,提出了一种基于光栅扫描的NAM优化策略.以矩形子模式的NAM表示方法为研究对象,进行了理论分析与实验验证.NAM优化策略的最终目标是不断地逼近模式的最优化表示,NAM优化问题在降低存储空间、提高传输速度、加快处理过程、模式匹配等方面具有较高的理论参考和实际应用价值.结果表明:基于光栅扫描的NAM优化策略是行之有效的,对NAM的优化具有一定的指导意义.     

一种改进变换网络的域自适应语义分割网络

语义标签的人工标注成本高,耗时长,基于域自适应的非监督语义分割是非常必要的.针对间隙大的场景或像素易限制模型训练、降低语义分割精度的问题,通过分阶段训练和可解释蒙版消除大间隙图片和像素的干扰,提出了一种改进变换网络的域自适应语义分割网络(DA-SSN).首先,针对部分源图到目标图的域间隙大、网络模型训练困难的问题,利用训练损失阈值划分大间隙的源图数据集,提出一种分阶段的变换网络训练策略,在保证小间隙源图的语义对齐基础上,提高了大间隙源图的变换质量.然后,为了进一步缩小源图中部分像素与目标图域间间隙,提出一种可解释蒙版.通过预测每个像素在源图域和目标图域之间的间隙缩小置信度,忽略对应像素的训练损失,以消除大间隙像素对其他像素语义对齐的影响,使得模型训练只关注高置信度像素的域间隙.结果表明,所提算法相比于原始的域自适应语义分割网络的分割精度更高.与其他流行算法的结果相比,所提方法获得了更高质量的语义对齐,表明了所提方法精度高的优势.     

终端用户编程的自然语言语义解析方法研究

针对现有用户编程语义解析方法在小注释数据集条件下无法有效地解决复杂模型的问题,提出了一种面对终端用户编程的自然语言语义解析方法.该方法将自然语言命令映射到小批注释数据下训练的大型异构框架集合中,语义解析方法由语义角色标记、旋转、动作候选实例生成和相关性排名组成,使用语义角色标记、分布语义几何特征和语义旋转的组合,解决开放词汇设置中的语义匹配问题.实验结果表明,该文方法能够有效实现自然语言的词汇解析,且性能优于现有方法.