2535
2023-03-16 20:03:38（已編輯）
知識(shí)圖譜是人工智能在知識(shí)工程理論和技術(shù)發(fā)展中的前沿,。知識(shí)圖譜方法,、技術(shù)與應(yīng)用在新一代人工智能由“感知智能”邁向“認(rèn)知智能”的過(guò)程中扮演重要角色。近年來(lái),，隨著大規(guī)模知識(shí)圖譜的發(fā)布和知識(shí)圖譜賦能系統(tǒng)的應(yīng)用,，國(guó)內(nèi)外學(xué)術(shù)界和產(chǎn)業(yè)界均在多個(gè)維度對(duì)知識(shí)圖譜賦能的知識(shí)工程進(jìn)行了研究與開(kāi)發(fā)。雖然國(guó)內(nèi)外學(xué)者在知識(shí)圖譜及相關(guān)方向上已取得若干研究成果,，但知識(shí)圖譜賦能的知識(shí)工程尚未形成成熟的理論體系,、技術(shù)方法、應(yīng)用與系統(tǒng)實(shí)踐,仍有眾多有待解決的具有挑戰(zhàn)性的難題,。本專題旨在促進(jìn)知識(shí)圖譜賦能的知識(shí)工程研究,、開(kāi)發(fā)與應(yīng)用，及時(shí),、集中,、全面地報(bào)道知識(shí)圖譜賦能的知識(shí)工程在理論、方 法,、技術(shù),、系統(tǒng)與應(yīng)用實(shí)踐等方面的最新成果和進(jìn)展。
專題特邀編審
掃碼查看
專題序言&特邀編審簡(jiǎn)介
1 文 章 閱 讀
SS-GCN:情感增強(qiáng)和句法增強(qiáng)的方面級(jí)情感分析模型
李帥 徐彬 韓祎珂 廖同鑫
摘要： 方面級(jí)情感分析(Aspect-Based Sentiment Analysis,ABSA)作為知識(shí)圖譜下游應(yīng)用,屬于細(xì)粒度情感分析任務(wù),旨在理解人們對(duì)評(píng)價(jià)目標(biāo)在方面層次的情感極性,。近年來(lái),相關(guān)研究已經(jīng)取得顯著進(jìn)步,但現(xiàn)有方法側(cè)重于利用句子內(nèi)的順序性或句法依賴約束,而沒(méi)有充分利用上下文詞與方面詞之間的依賴類型,。此外,現(xiàn)有的基于圖卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)節(jié)點(diǎn)特征保留的能力不足。針對(duì)該問(wèn)題,首先,在句法依賴樹(shù)的基礎(chǔ)上,充分挖掘上下文詞與方面詞之間的依賴類型,將其融入依賴圖的構(gòu)建;其次,定義了一個(gè)“敏感關(guān)系集合”,利用它來(lái)構(gòu)建輔助句以增強(qiáng)特定上下文詞與方面詞之間的關(guān)聯(lián)性,同時(shí)結(jié)合情感知識(shí)網(wǎng)絡(luò)SenticNet以增強(qiáng)句子的依賴圖,進(jìn)而改進(jìn)圖神經(jīng)網(wǎng)絡(luò)的構(gòu)建;最后,引入上下文保留機(jī)制,來(lái)減小節(jié)點(diǎn)特征在多層圖卷積神經(jīng)網(wǎng)絡(luò)中的信息損失,。提出的SS-GCN模型將并行學(xué)習(xí)到的句法表示和上下文表示進(jìn)行融合以完成情感增強(qiáng)和句法增強(qiáng),。在3個(gè)公開(kāi)數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn),證明了SS-GCN的有效性。
引用本文：李帥, 徐彬, 韓祎珂, 廖同鑫. SS-GCN:情感增強(qiáng)和句法增強(qiáng)的方面級(jí)情感分析模型[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 3-11.
掃碼閱讀全文
基于動(dòng)態(tài)記憶和雙層重構(gòu)強(qiáng)化的知識(shí)圖譜至文本轉(zhuǎn)譯模型
馬廷淮 孫圣杰 榮歡 錢敏峰
摘要： 知識(shí)圖譜轉(zhuǎn)譯文本(Graph-to-Text)是知識(shí)圖譜領(lǐng)域中一個(gè)新的任務(wù),旨在將知識(shí)圖譜轉(zhuǎn)化為描述該知識(shí)的可讀性文本。隨著近年來(lái)研究的不斷深入,知識(shí)圖譜轉(zhuǎn)譯文本的生成技術(shù)已經(jīng)被應(yīng)用于商品評(píng)論生成,、推薦解釋生成,、論文摘要生成等領(lǐng)域。現(xiàn)有方法中的轉(zhuǎn)譯模型均采用先規(guī)劃后實(shí)現(xiàn)的方式,未能根據(jù)已生成文本動(dòng)態(tài)調(diào)整規(guī)劃且未按靜態(tài)內(nèi)容規(guī)劃對(duì)知識(shí)進(jìn)行跟蹤,導(dǎo)致文本前后語(yǔ)義不連貫,。為了提高生成文本語(yǔ)義的連貫性,文中提出了基于動(dòng)態(tài)記憶和雙層重構(gòu)強(qiáng)化的知識(shí)圖譜至文本轉(zhuǎn)譯模型,通過(guò)靜態(tài)內(nèi)容規(guī)劃,、動(dòng)態(tài)內(nèi)容規(guī)劃和雙層重構(gòu)機(jī)制這3個(gè)階段,彌補(bǔ)了知識(shí)圖譜與文本之間的結(jié)構(gòu)化差異,在生成文本的同時(shí)側(cè)重關(guān)注各三元組中的重要內(nèi)容。與現(xiàn)有的生成模型相比,該模型不僅能緩解知識(shí)圖譜與文本之間的結(jié)構(gòu)化差異,還提高了定位關(guān)鍵實(shí)體的能力,從而使生成的文本具有更強(qiáng)的事實(shí)一致性和語(yǔ)義連貫性,。在WebNLG數(shù)據(jù)集上進(jìn)行了廣泛實(shí)驗(yàn),結(jié)果表明,在知識(shí)圖譜轉(zhuǎn)譯文本的任務(wù)上,所提模型與現(xiàn)有模型相比,內(nèi)容規(guī)劃更加準(zhǔn)確,生成文本語(yǔ)句間的邏輯合理且關(guān)聯(lián)性更強(qiáng),在BLEU,METEOR,ROUGE,CHRF++等指標(biāo)上優(yōu)于現(xiàn)有模型,。
引用本文：馬廷淮, 孫圣杰, 榮歡, 錢敏峰. 基于動(dòng)態(tài)記憶和雙層重構(gòu)強(qiáng)化的知識(shí)圖譜至文本轉(zhuǎn)譯模型[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 12-22.
掃碼閱讀全文
基于關(guān)系約束的上下文感知時(shí)態(tài)知識(shí)圖譜補(bǔ)全
汪璟玢 賴曉連 林新宇 楊心逸
摘要： 現(xiàn)有的時(shí)間知識(shí)圖譜補(bǔ)全模型僅考慮四元組自身的結(jié)構(gòu)信息,忽略了實(shí)體隱含的鄰居信息和關(guān)系對(duì)實(shí)體的約束,導(dǎo)致模型在時(shí)態(tài)知識(shí)圖譜補(bǔ)全任務(wù)上表現(xiàn)不佳。此外,一些數(shù)據(jù)集在時(shí)間上呈現(xiàn)不均衡的分布,導(dǎo)致模型訓(xùn)練難以達(dá)到一個(gè)較好的平衡點(diǎn),。針對(duì)這些問(wèn)題,提出了一個(gè)基于關(guān)系約束的上下文感知模型(CARC),。CARC通過(guò)自適應(yīng)時(shí)間粒度聚合模塊來(lái)解決數(shù)據(jù)集在時(shí)間上分布不均衡的問(wèn)題,并使用鄰居聚合器將上下文信息集成到實(shí)體嵌入中,以增強(qiáng)實(shí)體的嵌入表示。此外,設(shè)計(jì)了四元組關(guān)系約束模塊,使具有相同關(guān)系約束的實(shí)體嵌入彼此相近,不同關(guān)系約束的實(shí)體嵌入彼此遠(yuǎn)離,以進(jìn)一步增強(qiáng)實(shí)體的嵌入表示,。在多個(gè)公開(kāi)的時(shí)間數(shù)據(jù)集上進(jìn)行了大量實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果證明了所提模型的優(yōu)越性,。
引用本文：汪璟玢, 賴曉連, 林新宇, 楊心逸. 基于關(guān)系約束的上下文感知時(shí)態(tài)知識(shí)圖譜補(bǔ)全[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 23-33.
掃碼閱讀全文
基于圖神經(jīng)網(wǎng)絡(luò)的多信息優(yōu)化實(shí)體對(duì)齊模型
陳富強(qiáng) 寇嘉敏 蘇利敏 李克
摘要： 實(shí)體對(duì)齊是知識(shí)融合中的一個(gè)關(guān)鍵步驟,旨在發(fā)現(xiàn)知識(shí)圖譜間存在對(duì)應(yīng)關(guān)系的實(shí)體對(duì)。知識(shí)圖譜融合后可以為下游提供更加廣泛而準(zhǔn)確的服務(wù)?，F(xiàn)有的實(shí)體對(duì)齊模型對(duì)實(shí)體名稱和關(guān)系的利用往往不足,在得到實(shí)體的向量表示后通過(guò)單一的迭代策略或者直接計(jì)算得出實(shí)體的對(duì)齊關(guān)系,忽略了部分有用信息,導(dǎo)致實(shí)體對(duì)齊的結(jié)果欠佳,。針對(duì)上述問(wèn)題,提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的多信息優(yōu)化實(shí)體對(duì)齊模型。首先,模型的輸入融合了實(shí)體名稱中的單詞信息和字符信息,通過(guò)注意力機(jī)制學(xué)習(xí)關(guān)系的向量表示并利用關(guān)系傳遞信息,。在利用實(shí)體和關(guān)系的預(yù)對(duì)齊結(jié)果修正實(shí)體對(duì)齊矩陣的基礎(chǔ)上,使用延遲接受算法修正部分錯(cuò)誤對(duì)齊的結(jié)果,。所提模型在DBP15K的3個(gè)子數(shù)據(jù)集上進(jìn)行了對(duì)比和消融實(shí)驗(yàn)。結(jié)果表明,相比基線模型,其Hits@1指標(biāo)分別提高了4.47%,0.82%和0.46%,Hits@10和MRR指標(biāo)也取得了良好的結(jié)果,。通過(guò)消融實(shí)驗(yàn)進(jìn)一步驗(yàn)證了所提模型的有效性,總體上可以獲得更加準(zhǔn)確的實(shí)體對(duì)齊結(jié)果。
引用本文：陳富強(qiáng), 寇嘉敏, 蘇利敏, 李克. 基于圖神經(jīng)網(wǎng)絡(luò)的多信息優(yōu)化實(shí)體對(duì)齊模型[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 34-41.
掃碼閱讀全文
BGPNRE:一種基于BERT的全局指針網(wǎng)絡(luò)實(shí)體關(guān)系聯(lián)合抽取方法
鄧亮 齊攀虎 劉振龍 李敬鑫 唐積強(qiáng)
摘要： 實(shí)體-關(guān)系聯(lián)合抽取指從非結(jié)構(gòu)化文本中聯(lián)合抽取出實(shí)體-關(guān)系三元組,是信息抽取和知識(shí)圖譜構(gòu)建的一項(xiàng)關(guān)鍵任務(wù),。文中提出了一種新的基于全局指針網(wǎng)絡(luò)實(shí)體關(guān)系聯(lián)合抽取方法BGPNRE(BERT-based Global Pointer Network for Named Entity-Relation Joint Extraction),首先通過(guò)潛在關(guān)系預(yù)測(cè)模塊預(yù)測(cè)文本中蘊(yùn)含的關(guān)系,過(guò)濾掉不可能存在的關(guān)系,將實(shí)體抽取限制在預(yù)測(cè)的關(guān)系子集中;其次通過(guò)使用基于關(guān)系的全局指針網(wǎng)絡(luò),獲取所有主客體實(shí)體的位置;最后通過(guò)全局指針網(wǎng)絡(luò)通信模塊,將主客體位置高效率地解碼對(duì)齊成一個(gè)實(shí)體關(guān)系三元組,。該方法避免了傳統(tǒng)管道式方法存在的錯(cuò)誤傳播問(wèn)題,同時(shí)也解決了關(guān)系冗余、實(shí)體重疊,、Span提取泛化不足等問(wèn)題,。實(shí)驗(yàn)結(jié)果表明,所提方法在多關(guān)系和重疊實(shí)體抽取上表現(xiàn)卓越,并且在NYT和WebNLG公共數(shù)據(jù)集上達(dá)到了最先進(jìn)的水平。
引用本文：鄧亮, 齊攀虎, 劉振龍, 李敬鑫, 唐積強(qiáng). BGPNRE:一種基于BERT的全局指針網(wǎng)絡(luò)實(shí)體關(guān)系聯(lián)合抽取方法[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 42-48.
掃碼閱讀全文
基于高階和時(shí)序特征的圖神經(jīng)網(wǎng)絡(luò)社會(huì)化推薦算法研究
于健 趙滿坤 高潔 王聰源 李亞蓉 張文彬
摘要： 跨項(xiàng)目社會(huì)推薦是一種將社交關(guān)系整合到推薦系統(tǒng)中的方法,。社會(huì)化推薦中包含用戶-項(xiàng)目交互圖和社交網(wǎng)絡(luò)圖,用戶是連接這兩個(gè)圖的橋梁,其表示學(xué)習(xí)對(duì)提升社會(huì)化推薦的性能至關(guān)重要,。然而,現(xiàn)有方法主要使用用戶或項(xiàng)目的靜態(tài)屬性和社交網(wǎng)絡(luò)中的顯式朋友關(guān)系來(lái)進(jìn)行表示學(xué)習(xí),用戶和項(xiàng)目交互的時(shí)序信息及隱式朋友關(guān)系未得到充分利用。因此,在社會(huì)化推薦中,如何有效利用時(shí)序信息和社交信息成為重要的研究課題之一,。文中通過(guò)建模用戶的隱式朋友和項(xiàng)目的社交屬性,提出了一種新穎的基于高階和時(shí)序特征的圖神經(jīng)網(wǎng)絡(luò)社會(huì)化推薦算法(Graph Neural Networks Social Recommendation Based on High-order and Temporal Features)模型,簡(jiǎn)稱HTGSR,。HTGSR首先利用門控遞歸單元對(duì)基于項(xiàng)目的用戶表征進(jìn)行建模,以反映用戶的近期動(dòng)態(tài)偏好,并定義一個(gè)高階建模單元來(lái)提取用戶的高階連通特征,挖掘用戶的隱式朋友信息;其次利用注意力機(jī)制獲取基于社交關(guān)系的用戶表征;然后提出不同的項(xiàng)目社交網(wǎng)絡(luò)的構(gòu)建方式,并利用注意力機(jī)制來(lái)獲取項(xiàng)目表征;最后將用戶和項(xiàng)目的潛在表征輸入到多層感知機(jī),完成用戶對(duì)項(xiàng)目的評(píng)分預(yù)測(cè)。在兩個(gè)數(shù)據(jù)集上進(jìn)行詳細(xì)的實(shí)驗(yàn),并將實(shí)驗(yàn)結(jié)果與多種類型的推薦算法進(jìn)行比較,結(jié)果表明HTGSR模型在兩個(gè)數(shù)據(jù)集上的效果均較優(yōu),。
引用本文：于健, 趙滿坤, 高潔, 王聰源, 李亞蓉, 張文彬. 基于高階和時(shí)序特征的圖神經(jīng)網(wǎng)絡(luò)社會(huì)化推薦算法研究[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 49-64.
掃碼閱讀全文
一種靜態(tài)分析與知識(shí)圖譜結(jié)合的Java冗余代碼檢測(cè)方法
劉昕煒 陶傳奇
摘要： 冗余代碼普遍存在于商業(yè)和開(kāi)源軟件中,它的存在可能會(huì)增加內(nèi)存占用,影響代碼可維護(hù)性,增加維護(hù)成本,。快速類型分析算法是當(dāng)前Java冗余代碼檢測(cè)中常用的靜態(tài)分析方法,該算法在虛方法分析方面還存在一些不足。XTA是一種調(diào)用圖構(gòu)造算法,在處理虛方法的調(diào)用方面具有較高的精度和效率,。文中提出了一種基于XTA調(diào)用圖構(gòu)建算法的方法來(lái)檢測(cè)Java代碼中的冗余代碼,在一個(gè)名為“RCD”(Redundant Code Detection)的工具原型中實(shí)現(xiàn)了這種方法,并通過(guò)構(gòu)建知識(shí)圖譜輔助人工審查,以提高人工審查的效率以及冗余代碼檢測(cè)的可信度,。通過(guò)在4個(gè)開(kāi)源Java應(yīng)用程序上的實(shí)驗(yàn)對(duì)RCD與其他3個(gè)冗余代碼檢測(cè)工具進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明,RCD在檢測(cè)冗余代碼的準(zhǔn)確性方面相比其他工具提高了1%~30%,同時(shí)在檢測(cè)冗余虛方法的完整性方面提升了4%左右,。
引用本文：劉昕煒, 陶傳奇. 一種靜態(tài)分析與知識(shí)圖譜結(jié)合的Java冗余代碼檢測(cè)方法[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 65-71.
掃碼閱讀全文
細(xì)粒度語(yǔ)義知識(shí)圖譜增強(qiáng)的中文OOV詞嵌入學(xué)習(xí)
陳姝睿 梁子然 饒洋輝
摘要： 隨著信息化領(lǐng)域的范圍不斷擴(kuò)大,許多特定領(lǐng)域的文本語(yǔ)料開(kāi)始涌現(xiàn),。這些特定領(lǐng)域,如醫(yī)療、通信等,由于受到安全性和敏感性的影響,其數(shù)據(jù)規(guī)模通常較小,傳統(tǒng)的詞嵌入學(xué)習(xí)模型難以獲得有效的結(jié)果,。另一方面,直接應(yīng)用現(xiàn)有的預(yù)訓(xùn)練語(yǔ)言模型時(shí)會(huì)出現(xiàn)較多未登錄詞,這些詞匯無(wú)法表示成向量,從而影響下游任務(wù)的性能表現(xiàn),。許多學(xué)者開(kāi)始研究如何利用細(xì)粒度語(yǔ)義信息來(lái)得到較高質(zhì)量的未登錄詞向量表示。然而,當(dāng)前的未登錄詞嵌入學(xué)習(xí)模型大多針對(duì)英文語(yǔ)料,對(duì)中文詞的細(xì)粒度語(yǔ)義信息只能進(jìn)行簡(jiǎn)單的拼接或映射,難以在中文未登錄詞嵌入學(xué)習(xí)任務(wù)中得到有效的向量表示,。針對(duì)上述問(wèn)題,首先通過(guò)中文構(gòu)字規(guī)則,即中文詞所包含的漢字,、漢字所包含的部件和拼音等,構(gòu)建細(xì)粒度的知識(shí)圖譜,使其不僅能涵蓋漢字和單詞之間的關(guān)聯(lián)關(guān)系,還能對(duì)拼音和漢字、組件和漢字等細(xì)粒度語(yǔ)義信息之間的多元且復(fù)雜的關(guān)聯(lián)關(guān)系進(jìn)行表征,。然后,在知識(shí)圖譜上運(yùn)行圖卷積算法,從而對(duì)中文詞的細(xì)粒度語(yǔ)義信息之間以及它們與詞語(yǔ)義之間更深層次的關(guān)系進(jìn)行建模,。此外,文中通過(guò)在子圖結(jié)構(gòu)上構(gòu)建圖讀出來(lái)進(jìn)一步挖掘細(xì)粒度語(yǔ)義信息與詞語(yǔ)義信息之間的組成關(guān)系,據(jù)此提升模型在未登錄詞嵌入推斷中的精準(zhǔn)度。實(shí)驗(yàn)結(jié)果表明,在面對(duì)未登錄詞占比較大的特定語(yǔ)料上的詞配對(duì),、詞相似任務(wù),以及文本分類,、命名實(shí)體識(shí)別等下游任務(wù)時(shí),所提模型都取得了更好的性能。
引用本文：陳姝睿, 梁子然, 饒洋輝. 細(xì)粒度語(yǔ)義知識(shí)圖譜增強(qiáng)的中文OOV詞嵌入學(xué)習(xí)[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 72-82.
掃碼閱讀全文
醫(yī)學(xué)知識(shí)圖譜研究與應(yīng)用綜述
蔣川宇 韓翔宇 楊文蕊 呂博涵 黃小歐 謝夏 谷陽(yáng)
摘要： 醫(yī)學(xué)數(shù)據(jù)數(shù)字化推進(jìn)過(guò)程中,如何選擇合適的技術(shù)來(lái)對(duì)醫(yī)學(xué)數(shù)據(jù)進(jìn)行高效處理和準(zhǔn)確分析,是當(dāng)今醫(yī)學(xué)領(lǐng)域普遍面臨的問(wèn)題,。利用具有優(yōu)秀聯(lián)想與推理能力的知識(shí)圖譜技術(shù)來(lái)對(duì)醫(yī)學(xué)數(shù)據(jù)進(jìn)行處理與分析,能更好地實(shí)現(xiàn)智慧醫(yī)療,、輔助診斷等應(yīng)用。醫(yī)學(xué)知識(shí)圖譜的完整構(gòu)建過(guò)程包括知識(shí)抽取,、知識(shí)融合和知識(shí)推理,。其中知識(shí)抽取可細(xì)分為實(shí)體抽取、關(guān)系抽取和屬性抽取,知識(shí)融合則主要包括實(shí)體對(duì)齊和實(shí)體消歧,。首先,對(duì)現(xiàn)今醫(yī)學(xué)知識(shí)圖譜的構(gòu)建技術(shù)和實(shí)際應(yīng)用進(jìn)行歸納整理,針對(duì)每一具體構(gòu)建過(guò)程闡明技術(shù)發(fā)展脈絡(luò),。在此基礎(chǔ)上,對(duì)相關(guān)技術(shù)進(jìn)行介紹并說(shuō)明其優(yōu)點(diǎn)和局限性。其次,介紹幾個(gè)已成熟運(yùn)用的醫(yī)學(xué)知識(shí)圖譜,。最后,根據(jù)知識(shí)圖譜在醫(yī)學(xué)領(lǐng)域的技術(shù)與應(yīng)用現(xiàn)狀,給出未來(lái)知識(shí)圖譜可進(jìn)行的技術(shù)兼應(yīng)用性的研究方向,。
引用本文：蔣川宇, 韓翔宇, 楊文蕊, 呂博涵, 黃小歐, 謝夏, 谷陽(yáng). 醫(yī)學(xué)知識(shí)圖譜研究與應(yīng)用綜述[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 83-93.
掃碼閱讀全文
基于表示學(xué)習(xí)的知識(shí)圖譜推理研究綜述
李志飛 趙月 張龑
摘要： 知識(shí)圖譜以結(jié)構(gòu)化形式描述了現(xiàn)實(shí)世界中的客觀知識(shí),但面臨著構(gòu)建不完整或者無(wú)法處理新增知識(shí)等挑戰(zhàn)。知識(shí)圖譜推理方法成為了知識(shí)圖譜補(bǔ)全和更新的重要手段,該方法旨在基于圖譜中已有的事實(shí)推斷出未知的事實(shí),。近年來(lái),基于表示學(xué)習(xí)的知識(shí)圖譜推理研究受到了廣泛關(guān)注,其主要研究思路是將實(shí)體和關(guān)系嵌入到低維連續(xù)向量空間從而進(jìn)行推理,具有計(jì)算效率快,、推理性能高等優(yōu)勢(shì)。文中以基于表示學(xué)習(xí)的知識(shí)圖譜推理方法為研究對(duì)象,首先對(duì)相關(guān)的符號(hào)表示,、數(shù)據(jù)集,、評(píng)價(jià)指標(biāo)、訓(xùn)練方法以及評(píng)測(cè)任務(wù)進(jìn)行了簡(jiǎn)要概述;其次介紹了基于平移距離和語(yǔ)義匹配的兩種典型知識(shí)圖譜推理方法;然后對(duì)融合多源信息的推理方法進(jìn)行了分類和梳理,以及詳細(xì)分析了近期流行的基于神經(jīng)網(wǎng)絡(luò)的推理研究進(jìn)展;最后總結(jié)全文,同時(shí)對(duì)知識(shí)圖譜推理的未來(lái)研究方向進(jìn)行展望,。
引用本文：李志飛, 趙月, 張龑. 基于表示學(xué)習(xí)的知識(shí)圖譜推理研究綜述[J]. 計(jì)算機(jī)科學(xué), 2023, 50(3): 94-113.
掃碼閱讀全文
THE END
轉(zhuǎn)自：計(jì)算機(jī)科學(xué)編輯部微信公眾號(hào)文章
