虚拟专辑
2025, 34(6):79-88.
DOI: 10.15888/j.cnki.csa.009898
摘要:
随着互联网广告市场的快速增长, 精准的广告推荐变得至关重要. 如何有效学习用户特征和广告特征之间交互是点击率(CTR)与转化率(CVR)预测任务的关键. 然而, 现有的点击率与转化率预测模型存在特征依赖性偏差和广告语义信息挖掘不足的问题. 为此, 本文提出了一种知识图谱增强的广告推荐算法(knowledge graph-enhanced advertisement recommendation algorithm, KGEARA). 该算法通过构建知识图谱将结构化数据转化为三元组的形式, 有效地整合广告特征信息并捕捉广告间的关联性. 通过知识图谱表示学习将这些特征转化为嵌入表示, 以融合广告的语义特征并捕捉交互细节. 进一步利用广告特征嵌入与其他特征嵌入结合, 通过专家网络、门控网络和任务塔预测点击率和转化率, 并引入逆向倾向评分(IPS)处理点击倾向不均的问题, 以纠正预测偏差. 在广告真实数据集上进行了广泛实验, 实验结果验证了模型在提升CTR和CVR预测准确性方面的有效性.
随着互联网广告市场的快速增长, 精准的广告推荐变得至关重要. 如何有效学习用户特征和广告特征之间交互是点击率(CTR)与转化率(CVR)预测任务的关键. 然而, 现有的点击率与转化率预测模型存在特征依赖性偏差和广告语义信息挖掘不足的问题. 为此, 本文提出了一种知识图谱增强的广告推荐算法(knowledge graph-enhanced advertisement recommendation algorithm, KGEARA). 该算法通过构建知识图谱将结构化数据转化为三元组的形式, 有效地整合广告特征信息并捕捉广告间的关联性. 通过知识图谱表示学习将这些特征转化为嵌入表示, 以融合广告的语义特征并捕捉交互细节. 进一步利用广告特征嵌入与其他特征嵌入结合, 通过专家网络、门控网络和任务塔预测点击率和转化率, 并引入逆向倾向评分(IPS)处理点击倾向不均的问题, 以纠正预测偏差. 在广告真实数据集上进行了广泛实验, 实验结果验证了模型在提升CTR和CVR预测准确性方面的有效性.
2025, 34(6):118-127.
DOI: 10.15888/j.cnki.csa.009853
摘要:
当前多数图对比学习驱动的推荐系统模型倾向于依赖单一视图进行训练, 这种做法不可避免地限制了模型对复杂数据特征的全面捕捉能力. 为此, 提出一种融合多视图对比学习和知识图谱的推荐算法MKCLR (multi-view knowledge contrastive learning recommendation). 首先, 使用了3种视图增强方法, 分别是随机边丢弃, 添加均匀噪声扰动和随机游走算法, 为知识图谱和用户-物品图构建3个对比视图; 其次, 通过LightGCN进行编码, 并为之构建多组对比学习任务, 来最大化地提取和利用多视图数据中的丰富信息; 最后, 将主推荐任务与对比学习结合起来进行联合训练, 在MIND、Last-FM和Alibaba-iFashion这3个基准数据集上进行实验, 结果表明, MKCLR在Recall和NDCG这两个评价指标上分别平均提升5.78%和8.68%, 证明了所提方法的有效性.
当前多数图对比学习驱动的推荐系统模型倾向于依赖单一视图进行训练, 这种做法不可避免地限制了模型对复杂数据特征的全面捕捉能力. 为此, 提出一种融合多视图对比学习和知识图谱的推荐算法MKCLR (multi-view knowledge contrastive learning recommendation). 首先, 使用了3种视图增强方法, 分别是随机边丢弃, 添加均匀噪声扰动和随机游走算法, 为知识图谱和用户-物品图构建3个对比视图; 其次, 通过LightGCN进行编码, 并为之构建多组对比学习任务, 来最大化地提取和利用多视图数据中的丰富信息; 最后, 将主推荐任务与对比学习结合起来进行联合训练, 在MIND、Last-FM和Alibaba-iFashion这3个基准数据集上进行实验, 结果表明, MKCLR在Recall和NDCG这两个评价指标上分别平均提升5.78%和8.68%, 证明了所提方法的有效性.
2025, 34(2):206-215.
DOI: 10.15888/j.cnki.csa.009769
摘要:
现有的知识图谱链路预测方法在学习语义信息的过程中大多只关注单个三元组中头实体h、关系r和尾实体t之间的语义关系, 没有考虑不同三元组中相关实体和实体关系之间的联系. 针对此问题, 本文提出了DeepE_CL模型. 首先, 通过DeepE模型学习相关三元组的语义信息和具有相同实体关系对的实体或具有相同实体的实体关系对的语义信息. 其次, 利用提取的相关三元组语义信息计算相应的评分函数和交叉熵损失, 并采用对比学习模型对提取的具有相同实体关系对的实体或具有相同实体的实体关系对的语义信息进行优化, 从而实现对相关三元组缺失信息的预测. 本文在4个常见的数据集上进行验证, 运用MR、MRR、Hit@1和Hit@10这4个评价指标对所提方法和其他基线模型进行对比, 实验结果表明DeepE_CL模型在所有指标上都取得了最好的结果. 为了进一步验证模型的实用性, 本文还将模型应用到了1个真实的中成药数据集, 实验结果显示DeepE_CL模型比DeepE模型在MR指标上降低了18, 在MRR、Hit@1指标上分别提升了0.8%、1.1%, 在Hit@10指标上维持不变. 实验证明了引入对比学习模型的DeepE_CL模型在提升知识图谱链路预测性能方面的有效性.
现有的知识图谱链路预测方法在学习语义信息的过程中大多只关注单个三元组中头实体h、关系r和尾实体t之间的语义关系, 没有考虑不同三元组中相关实体和实体关系之间的联系. 针对此问题, 本文提出了DeepE_CL模型. 首先, 通过DeepE模型学习相关三元组的语义信息和具有相同实体关系对的实体或具有相同实体的实体关系对的语义信息. 其次, 利用提取的相关三元组语义信息计算相应的评分函数和交叉熵损失, 并采用对比学习模型对提取的具有相同实体关系对的实体或具有相同实体的实体关系对的语义信息进行优化, 从而实现对相关三元组缺失信息的预测. 本文在4个常见的数据集上进行验证, 运用MR、MRR、Hit@1和Hit@10这4个评价指标对所提方法和其他基线模型进行对比, 实验结果表明DeepE_CL模型在所有指标上都取得了最好的结果. 为了进一步验证模型的实用性, 本文还将模型应用到了1个真实的中成药数据集, 实验结果显示DeepE_CL模型比DeepE模型在MR指标上降低了18, 在MRR、Hit@1指标上分别提升了0.8%、1.1%, 在Hit@10指标上维持不变. 实验证明了引入对比学习模型的DeepE_CL模型在提升知识图谱链路预测性能方面的有效性.
2025, 34(4):286-297.
DOI: 10.15888/j.cnki.csa.009859
摘要:
在知识图谱的整合过程中, 实体对齐 (EA)任务至关重要. 最先进的研究引入了外部知识 (属性文本、时间戳、图像信息等)以及多模态方法, 取得了较高的精度, 但这些方法往往对特定结构有较强的依赖性, 这限制了它们在不同结构知识图谱实体对齐任务中的适用性. 为了解决这一问题, 本文提出了一种通用的知识图谱实体对齐方法, 该方法利用知识图谱共有的实体、关系与图结构等信息工作, 上述部分在知识图谱中可被直接观察到, 因此统称为表层信息. 本文方法包含嵌入生成模块和对齐模块, 其中嵌入模块使用Transformer模型捕捉实体的固有语义及其邻居的贡献, 对齐模块则通过匹配算法实现高性能且稳定的对齐. 实验结果表明, 我们的方法在多个主流知识图谱间的对齐场景中实现了最先进的性能, 展现出稳定和可解释性强的特点. 我们的代码可在https://github.com/zb1tree/TGEA获取.
在知识图谱的整合过程中, 实体对齐 (EA)任务至关重要. 最先进的研究引入了外部知识 (属性文本、时间戳、图像信息等)以及多模态方法, 取得了较高的精度, 但这些方法往往对特定结构有较强的依赖性, 这限制了它们在不同结构知识图谱实体对齐任务中的适用性. 为了解决这一问题, 本文提出了一种通用的知识图谱实体对齐方法, 该方法利用知识图谱共有的实体、关系与图结构等信息工作, 上述部分在知识图谱中可被直接观察到, 因此统称为表层信息. 本文方法包含嵌入生成模块和对齐模块, 其中嵌入模块使用Transformer模型捕捉实体的固有语义及其邻居的贡献, 对齐模块则通过匹配算法实现高性能且稳定的对齐. 实验结果表明, 我们的方法在多个主流知识图谱间的对齐场景中实现了最先进的性能, 展现出稳定和可解释性强的特点. 我们的代码可在https://github.com/zb1tree/TGEA获取.
2025, 34(2):49-60.
DOI: 10.15888/j.cnki.csa.009753
摘要:
传统的知识感知传播推荐算法中存在高阶特征相关度低、信息利用不平衡以及噪声引入问题. 提出一种多层次图间知识增强对比学习的知识感知传播推荐算法(MCLK-KE), 通过构建增强视图, 并利用自监督掩码重建预训练技术, 提取关键三元组的更深层信息, 有效抑制了噪声信号. 算法实现了知识与交互信号的均衡利用, 并以图间对比强化了特征表达, 捕捉到全局范围内的有效节点属性. 多任务训练通过联合训练推荐预测、对比学习和掩码重建任务, 提升模型性能. 在3个公开数据集上, MCLK-KE与最佳基线模型对比AUC指标最大提升了3.3%, F1值最高增长了5.3%.
传统的知识感知传播推荐算法中存在高阶特征相关度低、信息利用不平衡以及噪声引入问题. 提出一种多层次图间知识增强对比学习的知识感知传播推荐算法(MCLK-KE), 通过构建增强视图, 并利用自监督掩码重建预训练技术, 提取关键三元组的更深层信息, 有效抑制了噪声信号. 算法实现了知识与交互信号的均衡利用, 并以图间对比强化了特征表达, 捕捉到全局范围内的有效节点属性. 多任务训练通过联合训练推荐预测、对比学习和掩码重建任务, 提升模型性能. 在3个公开数据集上, MCLK-KE与最佳基线模型对比AUC指标最大提升了3.3%, F1值最高增长了5.3%.
2025, 34(4):207-217.
DOI: 10.15888/j.cnki.csa.009809
摘要:
实体对齐技术旨在识别并匹配不同知识图谱中指代同一实体的项, 对于知识图谱的融合具有至关重要的作用, 其在知识补全、社交网络分析等多个领域已经展现出广泛的应用潜力与显著的实用价值. 随着基于知识表征学习的实体对齐方法的不断演进, 研究者们开始探索利用实体之间的多种信息维度来计算相似度, 从而评估源实体与目标实体之间的相似性. 尽管如此, 实体的部分属性信息在目前已有的方法中仍未得到充分利用, 尤其是实体属性中的主题信息, 通过主题模型能够识别出实体间更为显著的语义联系. 针对这一研究, 以实体属性的主题信息为核心, 提出了一种实体对齐框架EAGT (knowledge graph entity alignment via graph convolutional network with biterm topic model), 通过实体主题结合图卷积神经网络进行实体对齐. 为了验证所提方法的有效性, 在开源的数据集上进行了实验, 结果表明, EAGT在大多数情况下均实现了性能提升.
实体对齐技术旨在识别并匹配不同知识图谱中指代同一实体的项, 对于知识图谱的融合具有至关重要的作用, 其在知识补全、社交网络分析等多个领域已经展现出广泛的应用潜力与显著的实用价值. 随着基于知识表征学习的实体对齐方法的不断演进, 研究者们开始探索利用实体之间的多种信息维度来计算相似度, 从而评估源实体与目标实体之间的相似性. 尽管如此, 实体的部分属性信息在目前已有的方法中仍未得到充分利用, 尤其是实体属性中的主题信息, 通过主题模型能够识别出实体间更为显著的语义联系. 针对这一研究, 以实体属性的主题信息为核心, 提出了一种实体对齐框架EAGT (knowledge graph entity alignment via graph convolutional network with biterm topic model), 通过实体主题结合图卷积神经网络进行实体对齐. 为了验证所提方法的有效性, 在开源的数据集上进行了实验, 结果表明, EAGT在大多数情况下均实现了性能提升.
2025, 34(4):155-165.
DOI: 10.15888/j.cnki.csa.009850
摘要:
在提供精准的用户兴趣推荐时, 推荐系统的数据通常存在稀疏性问题, 对于新上线的项目存在冷启动问题, 缺乏用户交互数据, 为解决上述问题, 提出基于知识图谱的用户兴趣推荐算法. 首先, 在用户潜在兴趣中, 通过多层图神经网络根据用户和项目的嵌入向量, 获取用户和项目直接、间接和更深层次的关系, 解决数据稀疏性问题. 其次, 在用户显式兴趣中, 采用图结构增强根据评分权重随机删除用户和项目之间的显式关系, 通过编码器分析新的用户和项目节点的关系, 挖掘用户与项目间的交互关系, 解决冷启动问题. 最后, 采用特征交叉压缩单元结合知识图谱嵌入与推荐任务实现特征共享, 共享的特征更加深化项目与知识图谱实体间的互动, 提高推荐的准确性. 通过在Book-Crossing和Last.FM两个数据集上进行实验, 结果证明与其他对比算法相比在AUC和ACC评价指标中有显著的提升.
在提供精准的用户兴趣推荐时, 推荐系统的数据通常存在稀疏性问题, 对于新上线的项目存在冷启动问题, 缺乏用户交互数据, 为解决上述问题, 提出基于知识图谱的用户兴趣推荐算法. 首先, 在用户潜在兴趣中, 通过多层图神经网络根据用户和项目的嵌入向量, 获取用户和项目直接、间接和更深层次的关系, 解决数据稀疏性问题. 其次, 在用户显式兴趣中, 采用图结构增强根据评分权重随机删除用户和项目之间的显式关系, 通过编码器分析新的用户和项目节点的关系, 挖掘用户与项目间的交互关系, 解决冷启动问题. 最后, 采用特征交叉压缩单元结合知识图谱嵌入与推荐任务实现特征共享, 共享的特征更加深化项目与知识图谱实体间的互动, 提高推荐的准确性. 通过在Book-Crossing和Last.FM两个数据集上进行实验, 结果证明与其他对比算法相比在AUC和ACC评价指标中有显著的提升.
2024, 33(6):58-69.
DOI: 10.15888/j.cnki.csa.009542
摘要:
在实现不同来源的图谱数据融合过程中, 实体对齐是关键的步骤, 其目的在于确定不同图谱间等价的实体对. 现有实体对齐方法大多基于图嵌入方式, 通过考虑图谱的结构和属性信息进行对齐, 但并未很好处理二者之间的交互关系, 同时忽略对关系及多阶邻居信息的利用. 为解决上述问题, 提出一种融合结构与属性注意力机制模型(fused structural and attribute attention mechanism model, FSAAM)的实体对齐方法. 该模型首先根据图谱数据特征划分为属性和结构通道数据, 其次使用属性注意力机制实现对属性信息的学习, 在实现对结构信息的学习中增加对关系信息的学习, 利用图注意力机制寻找对于实体对齐有益的邻居特征, 引入Transformer编码器更好的关联实体之间的信息, 并通过Highway网络减少可能学习到噪声信息的影响, 最后对学习到的结构通道和属性通道信息的相似度矩阵利用LS-SVM网络, 得到集成相似度矩阵从而实现实体对齐. 所提模型在公开数据集DBP15K的3个子数据集上进行验证. 实验结果表明, 相较于基线模型中效果最好的结果, 其Hits@1分别提高了2.7%, 4.3%和1.7%, 且Hits@10和MRR也均有提升, 表明本模型能够有效提高实体对齐的准确性.
在实现不同来源的图谱数据融合过程中, 实体对齐是关键的步骤, 其目的在于确定不同图谱间等价的实体对. 现有实体对齐方法大多基于图嵌入方式, 通过考虑图谱的结构和属性信息进行对齐, 但并未很好处理二者之间的交互关系, 同时忽略对关系及多阶邻居信息的利用. 为解决上述问题, 提出一种融合结构与属性注意力机制模型(fused structural and attribute attention mechanism model, FSAAM)的实体对齐方法. 该模型首先根据图谱数据特征划分为属性和结构通道数据, 其次使用属性注意力机制实现对属性信息的学习, 在实现对结构信息的学习中增加对关系信息的学习, 利用图注意力机制寻找对于实体对齐有益的邻居特征, 引入Transformer编码器更好的关联实体之间的信息, 并通过Highway网络减少可能学习到噪声信息的影响, 最后对学习到的结构通道和属性通道信息的相似度矩阵利用LS-SVM网络, 得到集成相似度矩阵从而实现实体对齐. 所提模型在公开数据集DBP15K的3个子数据集上进行验证. 实验结果表明, 相较于基线模型中效果最好的结果, 其Hits@1分别提高了2.7%, 4.3%和1.7%, 且Hits@10和MRR也均有提升, 表明本模型能够有效提高实体对齐的准确性.
2024, 33(1):280-288.
DOI: 10.15888/j.cnki.csa.009370
摘要:
医学术语标准化作为消除实体歧义性的重要手段, 被广泛应用于知识图谱的构建过程之中. 针对医学领域涉及大量的专业术语和复杂的表述方式, 传统匹配模型往往难以达到较高的准确率的问题, 提出语义召回加精准排序的两阶段模型来提升医学术语标准化效果. 首先在语义召回阶段基于改进的有监督对比学习和RoBERTa-wwm提出语义表征模型CL-BERT, 通过CL-BERT生成实体的语义表征向量, 根据向量之间的余弦相似度进行召回并得到标准词候选集, 其次在精准排序阶段使用T5结合prompt tuning构建语义精准匹配模型, 并将FGM对抗训练应用到模型训练中, 然后使用精准匹配模型对原词和标准词候选集分别进行精准排序得到最终标准词. 采用ccks2019公开数据集进行实验, F1值达到了0.9206, 实验结果表明所提出的两阶段模型具有较高的性能, 为实现医学术语标准化提供了新思路.
医学术语标准化作为消除实体歧义性的重要手段, 被广泛应用于知识图谱的构建过程之中. 针对医学领域涉及大量的专业术语和复杂的表述方式, 传统匹配模型往往难以达到较高的准确率的问题, 提出语义召回加精准排序的两阶段模型来提升医学术语标准化效果. 首先在语义召回阶段基于改进的有监督对比学习和RoBERTa-wwm提出语义表征模型CL-BERT, 通过CL-BERT生成实体的语义表征向量, 根据向量之间的余弦相似度进行召回并得到标准词候选集, 其次在精准排序阶段使用T5结合prompt tuning构建语义精准匹配模型, 并将FGM对抗训练应用到模型训练中, 然后使用精准匹配模型对原词和标准词候选集分别进行精准排序得到最终标准词. 采用ccks2019公开数据集进行实验, F1值达到了0.9206, 实验结果表明所提出的两阶段模型具有较高的性能, 为实现医学术语标准化提供了新思路.
2024, 33(1):289-296.
DOI: 10.15888/j.cnki.csa.009383
摘要:
针对现有基于知识图谱的推荐模型仅从用户或项目一端进行特征提取, 从而缺乏对另一端的特征提取的问题, 提出一种基于知识图谱的双端知识感知图卷积推荐模型. 首先, 对于用户、项目及知识图谱中的实体进行随机初始化表征得到初始特征表示; 接着, 采用基于用户和项目的知识感知注意力机制同时从用户、项目两端在知识图谱中进行特征提取; 其次, 使用图卷积网络采用不同的聚合方式聚合知识图谱传播过程中的特征信息并预测点击率; 最后, 为了验证模型的有效性, 在Last.FM和Book-Crossing两个公开数据集上与4个基线模型进行对比实验. 在Last.FM数据集上, AUC和F1分别比最优的基线模型提升了4.4%、3.8%, ACC提升了1.1%. 在Book-Crossing数据集上, AUC和F1分别提升了1.5%、2.2%, ACC提升了1.4%. 实验结果表明, 本文的模型在AUC、F1和ACC指标上比其他的基线模型具有更好的鲁棒性.
针对现有基于知识图谱的推荐模型仅从用户或项目一端进行特征提取, 从而缺乏对另一端的特征提取的问题, 提出一种基于知识图谱的双端知识感知图卷积推荐模型. 首先, 对于用户、项目及知识图谱中的实体进行随机初始化表征得到初始特征表示; 接着, 采用基于用户和项目的知识感知注意力机制同时从用户、项目两端在知识图谱中进行特征提取; 其次, 使用图卷积网络采用不同的聚合方式聚合知识图谱传播过程中的特征信息并预测点击率; 最后, 为了验证模型的有效性, 在Last.FM和Book-Crossing两个公开数据集上与4个基线模型进行对比实验. 在Last.FM数据集上, AUC和F1分别比最优的基线模型提升了4.4%、3.8%, ACC提升了1.1%. 在Book-Crossing数据集上, AUC和F1分别提升了1.5%、2.2%, ACC提升了1.4%. 实验结果表明, 本文的模型在AUC、F1和ACC指标上比其他的基线模型具有更好的鲁棒性.
2024, 33(3):245-254.
DOI: 10.15888/j.cnki.csa.009437
摘要:
作为融合多源异构知识图谱的主要手段, 实体对齐一般首先编码实体等图结构信息, 而后通过计算实体间相似度来获取对齐实体. 然而, 现存的多模态对齐方法往往直接引入预训练方法表达模态特征, 忽略了模态间的融合以及模态特征与图结构间的融合. 因此, 本文提出一种关系敏感型的多子图图神经网络(RAMS)方法. 通过多子图图神经网络编码方法对模态信息与图结构进行结合并获得实体表征, 通过跨域相似度计算得到对齐结果. 广泛且多角度的实验证明了本文所提出的模型在准确率、效率、鲁棒性方面均超过了基线模型.
作为融合多源异构知识图谱的主要手段, 实体对齐一般首先编码实体等图结构信息, 而后通过计算实体间相似度来获取对齐实体. 然而, 现存的多模态对齐方法往往直接引入预训练方法表达模态特征, 忽略了模态间的融合以及模态特征与图结构间的融合. 因此, 本文提出一种关系敏感型的多子图图神经网络(RAMS)方法. 通过多子图图神经网络编码方法对模态信息与图结构进行结合并获得实体表征, 通过跨域相似度计算得到对齐结果. 广泛且多角度的实验证明了本文所提出的模型在准确率、效率、鲁棒性方面均超过了基线模型.
2024, 33(4):202-208.
DOI: 10.15888/j.cnki.csa.009442
摘要:
基于远程监督的关系抽取方法可以明显地减少人工标注数据集的成本, 已经被广泛应用于领域知识图谱的构建任务中. 然而, 现有的远程监督关系抽取方法领域针对性不强, 同时也忽略了对领域实体特征信息的利用. 为了解决上述问题, 提出了一种融合实体特征和多种类注意力机制的关系抽取模型PCNN-EFMA. 模型采用远程监督和多实例技术, 不再受限于人工标注. 同时, 为了减少远程监督中噪声的影响, 模型使用了句子注意力和包间注意力这两类注意力, 并在词嵌入层和句子注意力中融合实体特征信息, 增强了模型的特征选择能力. 实验表明, 该模型在领域数据集上的PR曲线更好, 并在P@N上的平均准确率优于PCNN-ATT模型.
基于远程监督的关系抽取方法可以明显地减少人工标注数据集的成本, 已经被广泛应用于领域知识图谱的构建任务中. 然而, 现有的远程监督关系抽取方法领域针对性不强, 同时也忽略了对领域实体特征信息的利用. 为了解决上述问题, 提出了一种融合实体特征和多种类注意力机制的关系抽取模型PCNN-EFMA. 模型采用远程监督和多实例技术, 不再受限于人工标注. 同时, 为了减少远程监督中噪声的影响, 模型使用了句子注意力和包间注意力这两类注意力, 并在词嵌入层和句子注意力中融合实体特征信息, 增强了模型的特征选择能力. 实验表明, 该模型在领域数据集上的PR曲线更好, 并在P@N上的平均准确率优于PCNN-ATT模型.
2024, 33(2):105-114.
DOI: 10.15888/j.cnki.csa.009386
摘要:
轴承温度是衡量鼓风机是否正常运行的重要指标之一. 然而, 轴承通常安装在狭小密闭的空间中, 导致其温度难以实时准确检测. 为了解决这个问题, 设计了基于知识图谱的鼓风机轴承温度智能预测方法. 利用统计方法分析鼓风机运行系统, 获取与轴承温度相关的影响因素. 结合运行机理和领域知识构建知识图谱, 提取影响轴承温度的直接和间接特征变量. 采用双模块模糊神经网络对知识图谱进行推理, 实现对鼓风机轴温的实时准确预测. 结果表明, 基于知识图谱的鼓风机轴承温度智能预测方法可以准确地建模鼓风机系统, 具有良好的温度预测能力. 该项研究可以为轴承温度的实时监测和变化趋势预测提供支持.
轴承温度是衡量鼓风机是否正常运行的重要指标之一. 然而, 轴承通常安装在狭小密闭的空间中, 导致其温度难以实时准确检测. 为了解决这个问题, 设计了基于知识图谱的鼓风机轴承温度智能预测方法. 利用统计方法分析鼓风机运行系统, 获取与轴承温度相关的影响因素. 结合运行机理和领域知识构建知识图谱, 提取影响轴承温度的直接和间接特征变量. 采用双模块模糊神经网络对知识图谱进行推理, 实现对鼓风机轴温的实时准确预测. 结果表明, 基于知识图谱的鼓风机轴承温度智能预测方法可以准确地建模鼓风机系统, 具有良好的温度预测能力. 该项研究可以为轴承温度的实时监测和变化趋势预测提供支持.
2024, 33(10):37-46.
DOI: 10.15888/j.cnki.csa.009635
摘要:
基层医疗机构的医生缺少患病儿童疫苗接种风险的判断能力, 通过学习高水平医院医生的经验来研发儿童疫苗接种风险预测模型, 从而帮助基层医疗机构医生快速筛查高风险患儿, 是一种可行的方案. 本文提出了一种智能化的基于知识图谱的疫苗接种建议推荐方法.首先, 提出了一种基于预训练语言模型的医学命名实体识别方法ELECTRA-BiGRU-CRF, 用于门诊电子病历命名实体抽取. 其次, 设计疫苗接种本体, 定义关系及属性, 基于Neo4j构建了中文儿童疫苗接种知识图谱. 最后, 基于构建的中文疫苗接种知识图谱, 提出了一种基于预训练语言模型进行显著性类别指导的疫苗接种建议分类推荐方法. 实验结果表明, 本文研究方法可以为医生提供辅助诊断, 对于患病儿童能否接种疫苗提供决策支持.
基层医疗机构的医生缺少患病儿童疫苗接种风险的判断能力, 通过学习高水平医院医生的经验来研发儿童疫苗接种风险预测模型, 从而帮助基层医疗机构医生快速筛查高风险患儿, 是一种可行的方案. 本文提出了一种智能化的基于知识图谱的疫苗接种建议推荐方法.首先, 提出了一种基于预训练语言模型的医学命名实体识别方法ELECTRA-BiGRU-CRF, 用于门诊电子病历命名实体抽取. 其次, 设计疫苗接种本体, 定义关系及属性, 基于Neo4j构建了中文儿童疫苗接种知识图谱. 最后, 基于构建的中文疫苗接种知识图谱, 提出了一种基于预训练语言模型进行显著性类别指导的疫苗接种建议分类推荐方法. 实验结果表明, 本文研究方法可以为医生提供辅助诊断, 对于患病儿童能否接种疫苗提供决策支持.
2023, 32(4):52-65.
DOI: 10.15888/j.cnki.csa.009030
摘要:
精准预测商品的销量是提高商品营销效率的前提和基础. 为了更好地预测商品销量, 现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法, 但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征. 同时基于商品销售数据的建模分析发现, 商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性. 为了更加准确地预测某种商品, 在特定商店, 以及在特定时间的销量, 本研究首先构建了以商家为基础的大规模知识图谱系统, 通过一张图的数据模型, 描述商品销售和对应的商圈、商户、用户的相关交互场景. 同时在图模型上增加了商家数据的空间和数据特征, 用于描述商户的时空特性. 最后基于构建的商家知识图谱, 本研究提出了基于图卷积神经网络(GCN)聚合信息获取空间特征, 然后使用长短期记忆(LSTM)提取时间特征, 并将两种特征进行加权结合, 进行商品销量预测. 初步研究结果表明: 基于图和LSTM模型的混合模型的算法预测投放量最为贴近实际销量, 相比于传统的神经网络算法, 该模型预测的平均准确率为89%. 最后通过构建流水线工作流, 将整个商品销量智能预测系统部署到生产环境中, 为实现商品精准化营销提供了智能化决策.
精准预测商品的销量是提高商品营销效率的前提和基础. 为了更好地预测商品销量, 现有研究人员提出了基于深度神经网络(DNNs)、卷积神经网络(CNNs)、时间序列分析等方法, 但这些方法大多只单方面考虑到商品销售过程中的时间或者空间特征. 同时基于商品销售数据的建模分析发现, 商品的销量和对应的零售商户的空间位置和销售时间有较大的相关性. 为了更加准确地预测某种商品, 在特定商店, 以及在特定时间的销量, 本研究首先构建了以商家为基础的大规模知识图谱系统, 通过一张图的数据模型, 描述商品销售和对应的商圈、商户、用户的相关交互场景. 同时在图模型上增加了商家数据的空间和数据特征, 用于描述商户的时空特性. 最后基于构建的商家知识图谱, 本研究提出了基于图卷积神经网络(GCN)聚合信息获取空间特征, 然后使用长短期记忆(LSTM)提取时间特征, 并将两种特征进行加权结合, 进行商品销量预测. 初步研究结果表明: 基于图和LSTM模型的混合模型的算法预测投放量最为贴近实际销量, 相比于传统的神经网络算法, 该模型预测的平均准确率为89%. 最后通过构建流水线工作流, 将整个商品销量智能预测系统部署到生产环境中, 为实现商品精准化营销提供了智能化决策.
2023, 32(6):115-120.
DOI: 10.15888/j.cnki.csa.009140
摘要:
现如今, 互联网中存在海量的医疗领域知识可以用于医疗病情诊断, 但传统的搜索引擎并无法根据病人的实际情况做出合理的判断, 无法满足使用需求. 因此, 本文主要开发基于知识图谱问答系统. 该系统面向医疗领域, 采用爬虫技术获取了大量医疗数据并将其存储在Neo4j图数据库构建医疗知识图谱中. 同时, 为了使系统能够进一步理解用户的医疗询问问句, 本文提出了基于BERT以及BERT-BiLSTM-CRF模型分别用于识别问句中的意图信息和实体信息的方法. 最后, 系统利用意图和实体信息在知识图谱中进行查询并为用户提供合适的回答, 完成了医疗问答系统的构建.
现如今, 互联网中存在海量的医疗领域知识可以用于医疗病情诊断, 但传统的搜索引擎并无法根据病人的实际情况做出合理的判断, 无法满足使用需求. 因此, 本文主要开发基于知识图谱问答系统. 该系统面向医疗领域, 采用爬虫技术获取了大量医疗数据并将其存储在Neo4j图数据库构建医疗知识图谱中. 同时, 为了使系统能够进一步理解用户的医疗询问问句, 本文提出了基于BERT以及BERT-BiLSTM-CRF模型分别用于识别问句中的意图信息和实体信息的方法. 最后, 系统利用意图和实体信息在知识图谱中进行查询并为用户提供合适的回答, 完成了医疗问答系统的构建.
2023, 32(8):207-213.
DOI: 10.15888/j.cnki.csa.009209
摘要:
针对知识图谱推荐算法用户端和项目端建模程度不均且模型复杂度较高等问题, 提出融合知识图谱和轻量图卷积网络的推荐算法. 在用户端, 利用用户相似性生成邻居集合, 将用户及其相似用户的交互记录在知识图谱上多次迭代传播, 增强用户特征表示. 在项目端, 将知识图谱中实体嵌入传播, 挖掘与用户喜好相关的项目信息; 接着, 利用轻量图卷积网络聚合邻域特征获得用户和项目的特征表示, 同时采用注意力机制将邻域权重融入实体, 增强节点的嵌入表示; 最后, 预测用户和项目之间的评分. 实验表明, 在Book-Crossing数据集上, 相较于最优基线, AUC和ACC分别提高了1.8%和2.3%. 在Yelp2018数据集上, AUC和ACC分别提高了1.2%和1.4%. 结果证明, 该模型与其他基准模型相比有较好的推荐性能.
针对知识图谱推荐算法用户端和项目端建模程度不均且模型复杂度较高等问题, 提出融合知识图谱和轻量图卷积网络的推荐算法. 在用户端, 利用用户相似性生成邻居集合, 将用户及其相似用户的交互记录在知识图谱上多次迭代传播, 增强用户特征表示. 在项目端, 将知识图谱中实体嵌入传播, 挖掘与用户喜好相关的项目信息; 接着, 利用轻量图卷积网络聚合邻域特征获得用户和项目的特征表示, 同时采用注意力机制将邻域权重融入实体, 增强节点的嵌入表示; 最后, 预测用户和项目之间的评分. 实验表明, 在Book-Crossing数据集上, 相较于最优基线, AUC和ACC分别提高了1.8%和2.3%. 在Yelp2018数据集上, AUC和ACC分别提高了1.2%和1.4%. 结果证明, 该模型与其他基准模型相比有较好的推荐性能.
2023, 32(3):202-208.
DOI: 10.15888/j.cnki.csa.008967
摘要:
实体对齐旨在找到位于不同知识图谱中的等效实体, 是实现知识融合的重要步骤. 当前主流的方法是基于图神经网络的实体对齐方法, 这些方法往往过于依赖图的结构信息, 导致在特定图结构上训练得到的模型不能拓展应用于其他图结构中. 同时, 大多数方法未能充分利用辅助信息, 例如属性信息. 为此, 本文提出了一种基于图注意力网络和属性嵌入的实体对齐方法, 该方法使用图注意力网络对不同的知识图谱进行编码, 引入注意力机制从实体应用到属性, 在对齐阶段将结构嵌入和属性嵌入进行结合实现实体对齐效果的提升. 在现实世界的3个真实数据集上对本文模型进行了验证, 实验结果表明提出的方法在很大程度上优于基准的实体对齐方法.
实体对齐旨在找到位于不同知识图谱中的等效实体, 是实现知识融合的重要步骤. 当前主流的方法是基于图神经网络的实体对齐方法, 这些方法往往过于依赖图的结构信息, 导致在特定图结构上训练得到的模型不能拓展应用于其他图结构中. 同时, 大多数方法未能充分利用辅助信息, 例如属性信息. 为此, 本文提出了一种基于图注意力网络和属性嵌入的实体对齐方法, 该方法使用图注意力网络对不同的知识图谱进行编码, 引入注意力机制从实体应用到属性, 在对齐阶段将结构嵌入和属性嵌入进行结合实现实体对齐效果的提升. 在现实世界的3个真实数据集上对本文模型进行了验证, 实验结果表明提出的方法在很大程度上优于基准的实体对齐方法.
2023, 32(5):180-187.
DOI: 10.15888/j.cnki.csa.009068
摘要:
面对海量的在线学习资源, 学习者往往面临“信息过载”和“信息迷航”等问题, 帮助学习者高效准确地获取适合自己的学习资源来提升学习效果, 已成为研究热点. 针对现有方法存在的可解释性差、推荐效率和准确度不足等问题, 提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法, 它基于在线学习通用本体模型构建在线学习环境知识图谱, 利用图嵌入算法对知识图谱进行训练, 以优化学习资源推荐中的图计算效率. 基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度, 以获得排序后的学习资源推荐结果. 实验结果表明, 相对于现有方法, 所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.
面对海量的在线学习资源, 学习者往往面临“信息过载”和“信息迷航”等问题, 帮助学习者高效准确地获取适合自己的学习资源来提升学习效果, 已成为研究热点. 针对现有方法存在的可解释性差、推荐效率和准确度不足等问题, 提出了一种基于知识图谱和图嵌入的个性化学习资源推荐方法, 它基于在线学习通用本体模型构建在线学习环境知识图谱, 利用图嵌入算法对知识图谱进行训练, 以优化学习资源推荐中的图计算效率. 基于学习者的学习风格特征进行聚类来优化学习者的资源兴趣度, 以获得排序后的学习资源推荐结果. 实验结果表明, 相对于现有方法, 所提方法能在大规模图数据场景下显著提升计算效率和个性化学习资源推荐的准确度.
2023, 32(11):108-119.
DOI: 10.15888/j.cnki.csa.009285
摘要:
针对心理医学领域文本段落冗长、数据稀疏、知识散乱且规范性差的问题, 提出一种基于多层级特征抽取能力预训练模型(MFE-BERT)与前向神经网络注意力机制(FNNAttention)的心理医学知识图谱构建方法. MFE-BERT在BERT模型基础上将其内部所有Encoder层特征进行合并输出, 以获取包含更多语义的特征向量, 同时对两复合模型采用FNNAttention机制强化词级关系, 解决长文本段落语义稀释问题. 在自建的心理医学数据集中, 设计MFE-BERT-BiLSTM-FNNAttention-CRF和MFE-BERT-CNN-FNNAttention复合神经网络模型分别进行心理医学实体识别和实体关系抽取, 实体识别F1值达到93.91%, 实体关系抽精确率达到了89.29%, 通过融合文本相似度与语义相似度方法进行实体对齐, 将所整理的数据存储在Neo4j图数据库中, 构建出一个含有3652 个实体, 2396 条关系的心理医学知识图谱. 实验结果表明, 在MFE-BERT模型与FNNAttention机制的基础上构建心理医学知识图谱切实可行, 提出的改进模型所搭建的心理医学知识图谱可以更好地应用于心理医学信息管理中, 为心理医学数据分析提供参考.
针对心理医学领域文本段落冗长、数据稀疏、知识散乱且规范性差的问题, 提出一种基于多层级特征抽取能力预训练模型(MFE-BERT)与前向神经网络注意力机制(FNNAttention)的心理医学知识图谱构建方法. MFE-BERT在BERT模型基础上将其内部所有Encoder层特征进行合并输出, 以获取包含更多语义的特征向量, 同时对两复合模型采用FNNAttention机制强化词级关系, 解决长文本段落语义稀释问题. 在自建的心理医学数据集中, 设计MFE-BERT-BiLSTM-FNNAttention-CRF和MFE-BERT-CNN-FNNAttention复合神经网络模型分别进行心理医学实体识别和实体关系抽取, 实体识别F1值达到93.91%, 实体关系抽精确率达到了89.29%, 通过融合文本相似度与语义相似度方法进行实体对齐, 将所整理的数据存储在Neo4j图数据库中, 构建出一个含有
2023, 32(5):87-96.
DOI: 10.15888/j.cnki.csa.009102
摘要:
潜油电泵井系统是油田开采重要工具, 具有排量大、扬程高与作业环境灵活多变等优点. 为了降低潜油电泵井系统故障危害, 需要对其发生故障部件进行快速精确定位并维修. 本文提出一种基于知识图谱的潜油电泵井故障诊断方法. 采用改进BiLSTM-CRF实体识别算法与BERT关系抽取算法提取故障数据中的专家知识, 构建潜油电泵井故障诊断领域知识图谱; 利用构建知识图谱搭建以故障征兆为初始节点的贝叶斯推理网络, 利用历史故障数据与条件概率解耦的计算方式推理出故障原因. 本文通过故障诊断真实案例进行方法验证.
潜油电泵井系统是油田开采重要工具, 具有排量大、扬程高与作业环境灵活多变等优点. 为了降低潜油电泵井系统故障危害, 需要对其发生故障部件进行快速精确定位并维修. 本文提出一种基于知识图谱的潜油电泵井故障诊断方法. 采用改进BiLSTM-CRF实体识别算法与BERT关系抽取算法提取故障数据中的专家知识, 构建潜油电泵井故障诊断领域知识图谱; 利用构建知识图谱搭建以故障征兆为初始节点的贝叶斯推理网络, 利用历史故障数据与条件概率解耦的计算方式推理出故障原因. 本文通过故障诊断真实案例进行方法验证.
2023, 32(1):75-86.
DOI: 10.15888/j.cnki.csa.008901
摘要:
辅助投保人了解保险产品的条款是保险应用关注的热点问题之一, 借助知识图谱技术辅助人身保险业务开展是一种可行的方法. 本文首先从多源数据中提取并构建人身保险知识图谱LIKG. 具体而言, 构建BERT-IDCNN-BiLSTM-CRF模型提取非结构化文本数据的实体, 通过多种短文本相似度算法以及集成排序算法完成实体对齐; 设计并使用Bootstrapping和分类预测两阶段抽取方法对保险产品进行属性填充. 然后, 根据构建的LIKG, 设计开发原型系统, 该系统使用实体抽取和属性抽取算法提供知识获取功能、设计CF-IIF指标提供属性推荐功能以及实现可视化界面帮助用户快速掌握人身保险产品的信息, 展示LIKG的应用价值.
辅助投保人了解保险产品的条款是保险应用关注的热点问题之一, 借助知识图谱技术辅助人身保险业务开展是一种可行的方法. 本文首先从多源数据中提取并构建人身保险知识图谱LIKG. 具体而言, 构建BERT-IDCNN-BiLSTM-CRF模型提取非结构化文本数据的实体, 通过多种短文本相似度算法以及集成排序算法完成实体对齐; 设计并使用Bootstrapping和分类预测两阶段抽取方法对保险产品进行属性填充. 然后, 根据构建的LIKG, 设计开发原型系统, 该系统使用实体抽取和属性抽取算法提供知识获取功能、设计CF-IIF指标提供属性推荐功能以及实现可视化界面帮助用户快速掌握人身保险产品的信息, 展示LIKG的应用价值.
2022, 31(3):48-55.
DOI: 10.15888/j.cnki.csa.008377
摘要:
面对当前日益庞大的教育大数据, 如何在海量数据中高效、准确地提取出高价值的知识, 以满足个性化教学需求, 已成为当前智慧教育的一个研究热点. 作为一种可视化分析技术, 知识图谱可有效构建和挖掘知识及知识间的相互联系, 现已成功应用于诸多领域. 而图嵌入技术的引入, 则有利于提升大数据背景下知识图谱的处理效率. 针对个性化教育的知识处理需求, 首先介绍了知识图谱与图嵌入算法的基本概念, 并从向量平移、基于张量因式分解和基于神经网络等3个方面, 介绍基于三元组的表征学习模型. 然后, 从7种应用类型的角度, 综述知识图谱与图嵌入技术在个性化教育领域中的研究现状. 最后, 总结全文并给出未来的研究展望.
面对当前日益庞大的教育大数据, 如何在海量数据中高效、准确地提取出高价值的知识, 以满足个性化教学需求, 已成为当前智慧教育的一个研究热点. 作为一种可视化分析技术, 知识图谱可有效构建和挖掘知识及知识间的相互联系, 现已成功应用于诸多领域. 而图嵌入技术的引入, 则有利于提升大数据背景下知识图谱的处理效率. 针对个性化教育的知识处理需求, 首先介绍了知识图谱与图嵌入算法的基本概念, 并从向量平移、基于张量因式分解和基于神经网络等3个方面, 介绍基于三元组的表征学习模型. 然后, 从7种应用类型的角度, 综述知识图谱与图嵌入技术在个性化教育领域中的研究现状. 最后, 总结全文并给出未来的研究展望.
2022, 31(7):66-76.
DOI: 10.15888/j.cnki.csa.008592
摘要:
发动机生产故障和售后维修报告中有大量动力总成和零部件故障信息. 本文将知识图谱引入柴油发动机故障领域, 设计发动机故障领域知识图谱构建的系统流程, 针对多源故障数据进行本体建模. 使用BERT和BiLSTM-CRF结合的实体识别框架, 挖掘故障数据中的专家知识. 提出实体相关性评价指标FF-IEF, 并基于知识图谱和贝叶斯网络进行故障诊断. 设计并开发EFKG原型系统, 共包含12534 个实体和408972 条三元组, 该系统提供知识抽取、可视化检索、辅助决策等功能, 有效提高信息检索和维修效率, 对知识图谱在发动机故障领域的应用具有一定指导意义.
发动机生产故障和售后维修报告中有大量动力总成和零部件故障信息. 本文将知识图谱引入柴油发动机故障领域, 设计发动机故障领域知识图谱构建的系统流程, 针对多源故障数据进行本体建模. 使用BERT和BiLSTM-CRF结合的实体识别框架, 挖掘故障数据中的专家知识. 提出实体相关性评价指标FF-IEF, 并基于知识图谱和贝叶斯网络进行故障诊断. 设计并开发EFKG原型系统, 共包含
2022, 31(11):79-90.
DOI: 10.15888/j.cnki.csa.008799
摘要:
多模态知识图谱(multi-modal knowledge graph, MMKG)是近几年新兴的人工智能领域研究热点. 本文提供了一种多模态领域知识图谱的构建方法, 以解决计算机学科领域知识体系庞大分散的问题. 首先, 通过爬取计算机学科的相关多模态数据, 构建了一个系统化的多模态知识图谱. 但构建多模态知识图谱需要耗费大量的人力物力, 本文训练了基于LEBERT模型和关系抽取规则的实体-关系联合抽取模型, 最终实现了一个能够自动抽取关系三元组的多模态计算机学科领域知识图谱.
多模态知识图谱(multi-modal knowledge graph, MMKG)是近几年新兴的人工智能领域研究热点. 本文提供了一种多模态领域知识图谱的构建方法, 以解决计算机学科领域知识体系庞大分散的问题. 首先, 通过爬取计算机学科的相关多模态数据, 构建了一个系统化的多模态知识图谱. 但构建多模态知识图谱需要耗费大量的人力物力, 本文训练了基于LEBERT模型和关系抽取规则的实体-关系联合抽取模型, 最终实现了一个能够自动抽取关系三元组的多模态计算机学科领域知识图谱.
联系方式
- 《计算机系统应用》
- 1992年创刊
- 主办单位：中国科学院软件研究所
- 邮编：100190
- 电话：010-62661041
- 电子邮箱：csa@iscas.ac.cn
- 网址:https://www.c-s-a.org.cn/csa/home
- 刊号：ISSN 1003-3254
- CN 11-2854/TP
- 国内定价：50元
您是第位访问者
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
版权所有：中国科学院软件研究所 京ICP备05046678号-3
地址：北京市海淀区中关村南四街4号,邮政编码：100190
电话：010-62661041 传真： Email：csa@iscas.ac.cn
技术支持：北京勤云科技发展有限公司
