基于开放世界假设的本体构建
发布时间：2021-06-21 21:49
随着信息技术的进步,特别是人工智能技术的发展,人们在万维网上发布了包含大规模数据的知识图谱,为知识互联、为智能问答和语义搜索等诸多人工智能应用提供支撑。知识图谱从逻辑上分成数据层和模式层,其中数据层主要描述现实世界的事实性知识,而模式层主要由公理组成,目的是管理和组织数据层知识。模式层知识一般也被称为本体知识。由于百科类网站的半结构化数据中缺少模式信息,导致公开的知识图谱中本体知识缺乏。本体的不完整将导致知识图谱的一系列应用无法实施。例如,对于缺乏本体的知识图谱,逻辑推理机无法自动化检测知识图谱中的逻辑错误,而且也无法推理得到知识图谱中隐含的事实。已有构建知识图谱本体知识的工作主要是利用统计的方法从事实性知识中获取候选公理,这类方法基于封闭世界假设,将不在知识图谱中的数据作为负例。这样获得的负例存在大量的噪声,从而较大地影响到构建本体的质量。因此,本文提出开放世界假设下构建本体的解决方案,主要分为三个部分:知识图谱数据层事实的补全,基于关联规则挖掘的的本体构建和本体补全。本文首先对知识图谱的数据层进行知识补全,从而减少对公理置信度的有偏估计。目前,知识图谱表示学习模型在知识图谱数据层事...
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 本体构建
1.2.2 知识图谱表示学习
1.2.3 研究现状总结
1.3 选题依据
1.4 本文工作
1.4.1 研究内容
1.4.2 主要贡献
1.5 论文结构
第二章 背景知识
2.1 知识图谱概述
2.2 术语定义
2.2.1 本体
2.2.2 知识图谱表示学习
2.2.3 三元组上下文
2.2.4 关联规则挖掘
2.2.5 类型推断
2.3 评测指标
2.4 本章小结
第三章 基于三元组上下文的知识图谱事实性知识补全
3.1 概述
3.2 方法设计
3.2.1 TCE模型
3.2.2 训练TCE
3.2.3 TCE的训练算法及复杂度分析
3.3 实验分析
3.3.1 数据集和参数设置
3.3.2 实现细节
3.3.3 链接预测
3.3.4 链接预测结果与分析
3.4 相关工作
3.4.1 基于语义匹配的知识图谱表示学习方法
3.4.2 基于转移距离的知识图谱表示学习方法
3.4.3 引入额外信息的表示学习方法
3.4.4 引入文本的知识图谱表示学习方法
3.4.5 引入其他信息的知识图谱表示学习方法
3.5 本章小结
第四章 基于关联规则挖掘的本体构建方法
4.1 概述
4.2 方法设计
4.2.1 词汇获取
4.2.2 类型推断
4.2.3 事务表构建
4.2.4 公理生成
4.2.5 SIFS的关联规则挖掘算法
4.2.6 规则挖掘算法
4.3 实验分析
4.3.1 数据集
4.3.2 参数设置
4.3.3 对比方法
4.3.4 实验结果
4.3.5 SIFS-S对比SIFS-P
4.3.6 SIFS-P对比Gold Miner
4.3.7 SIFS-P对比Bel Net+
4.3.8 通过挖掘得到的公理检查不一致
4.3.9 实验结果总结
4.4 相关工作
4.5 本章小结
第五章 基于双语义空间的本体补全方法 #
5.1 概述
5.2 方法设计
5.2.1 得分函数
5.2.2 训练模型
5.3 实验分析
5.3.1 数据集
5.3.2 实现细节
5.3.3 链接预测
5.3.4 传递性和对称性
5.3.5 案例研究
5.3.6 在开放世界假设下本体构建方法中各个步骤分析
5.4 相关工作
5.5 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
作者简介
致谢
本文编号：3241471
【文章来源】：东南大学江苏省 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景
1.2 研究现状
1.2.1 本体构建
1.2.2 知识图谱表示学习
1.2.3 研究现状总结
1.3 选题依据
1.4 本文工作
1.4.1 研究内容
1.4.2 主要贡献
1.5 论文结构
第二章 背景知识
2.1 知识图谱概述
2.2 术语定义
2.2.1 本体
2.2.2 知识图谱表示学习
2.2.3 三元组上下文
2.2.4 关联规则挖掘
2.2.5 类型推断
2.3 评测指标
2.4 本章小结
第三章 基于三元组上下文的知识图谱事实性知识补全
3.1 概述
3.2 方法设计
3.2.1 TCE模型
3.2.2 训练TCE
3.2.3 TCE的训练算法及复杂度分析
3.3 实验分析
3.3.1 数据集和参数设置
3.3.2 实现细节
3.3.3 链接预测
3.3.4 链接预测结果与分析
3.4 相关工作
3.4.1 基于语义匹配的知识图谱表示学习方法
3.4.2 基于转移距离的知识图谱表示学习方法
3.4.3 引入额外信息的表示学习方法
3.4.4 引入文本的知识图谱表示学习方法
3.4.5 引入其他信息的知识图谱表示学习方法
3.5 本章小结
第四章 基于关联规则挖掘的本体构建方法
4.1 概述
4.2 方法设计
4.2.1 词汇获取
4.2.2 类型推断
4.2.3 事务表构建
4.2.4 公理生成
4.2.5 SIFS的关联规则挖掘算法
4.2.6 规则挖掘算法
4.3 实验分析
4.3.1 数据集
4.3.2 参数设置
4.3.3 对比方法
4.3.4 实验结果
4.3.5 SIFS-S对比SIFS-P
4.3.6 SIFS-P对比Gold Miner
4.3.7 SIFS-P对比Bel Net+
4.3.8 通过挖掘得到的公理检查不一致
4.3.9 实验结果总结
4.4 相关工作
4.5 本章小结
第五章 基于双语义空间的本体补全方法 #
5.1 概述
5.2 方法设计
5.2.1 得分函数
5.2.2 训练模型
5.3 实验分析
5.3.1 数据集
5.3.2 实现细节
5.3.3 链接预测
5.3.4 传递性和对称性
5.3.5 案例研究
5.3.6 在开放世界假设下本体构建方法中各个步骤分析
5.4 相关工作
5.5 本章小结
第六章 总结与展望
6.1 论文总结
6.2 工作展望
参考文献
作者简介
致谢
本文编号：3241471
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3241471.html
