共查询到18条相似文献，搜索用时 687 毫秒
1.
基于HNC理论的期刊文献知识元检索 总被引：1，自引：0，他引：1
针对期刊文献知识元提出了一种基于HNC理论的六元组表示方法,以及在文献结构分析基础上依据依存分析和HNC理论进行知识元的抽取。利用HNC符号的领域信息以及最大熵模型建立的分类器,对所抽取的知识元进行分类并存储,最后通过两阶段检索实现知识元的语义检索。 相似文献
2.
知识元的挖掘与组织是知识标引的基础,但是难度较大。本文从知识元表示、知识检索、知识相关性度量等角度对知识标引的相关研究成果进行归纳,并提出一些自己的见解。 相似文献
3.
[目的/意义]关于知识元的基本理论问题研究是开展知识组织、知识检索、知识发现等知识管理活动的基础。[方法/过程]首先界定了知识元内涵的理论边界,确定了研究的逻辑起点。通过考察知识和人类思维的映射关系,阐明了知识元的本质属性。依据知识元承载的内容语义依存关系,抽象出了知识元的内部结构及其特征。最后演绎推论出知识元的运动机制。[结果/结论]通过对知识元基本理论问题的梳理和研究,进一步明晰了知识元的内涵、本质属性、结构和运动机制,为以知识元为基础的知识组织与服务实践提供了坚实的理论基础。 相似文献
4.
基于Ontology的知识检索系统功能要素分析 总被引：2，自引：0，他引：2
从知识本体检索系统的构成要素出发,对知识检索的有关理论与方法作了概要梳理和分析。认为以知识本体为基础的知识检索系统,其主要功能结构体现在知识组织、知识表示、知识检索模型的架构、领域内本体匹配等方面;只有以知识本体为基础的知识检索体系,才能真正实现基于语义概念的知识检索。 相似文献
5.
6.
知识元搜索引擎:CNKI知识搜索平台 总被引：5，自引：0，他引：5
介绍了CNKI知识搜索平台的功能,重点阐述了它的特色,它从技术、资源方面实现了多种资源的整合、实现了实时的知识聚类、知识元搜索、提供多样化的搜索排序和知识元链接功能,大大优于现有的各种搜索引擎和检索平台。本文对CNKI知识搜索平台的功能进行了评价,认为CNKI知识搜索平台是基于对文献内容的搜索,弥补了搜索引擎及同类检索平台的不足,能够满足用户需求,代表了电子资源检索平台的发展方向。 相似文献
7.
【目的/意义】为准确抽取科技文献中的方法知识元,实现科技文献更细粒度知识组织和检索。【方法/过程】
本研究提出一种基于规则的方法知识元抽取方法,该方法主要分为两个阶段：方法知识元初始描述规则半自动化
识别阶段和方法知识元及其描述规则自动化抽取和更新阶段。第一阶段根据方法知识元的特征,以人工—机器相
结合的方法识别方法知识元的组成维度及初始描述规则。第二阶段依据第一阶段识别的方法知识元初始描述规
则,自动从科技文献中提取方法知识元,并基于PreFixSpan算法从新识别的方法知识元中挖掘出新的方法知识元描
述规则,以实现方法知识元及其描述规则的动态更新。【结果/结论】在对16篇科技文献的初步评估中,实验结果P、
R以及F值分别为0.71、0.80和0.73（均＞0.5）表明该方法的可行性和有效性,该抽取方法对更细粒度的知识组织和
检索也有一定借鉴作用。【创新/局限】方法的局限性在于需要一定的人工参与方法知识元描述规则的提取。 相似文献
8.
阐述了知识元定义及知识元挖掘技术概念和算法，对知识元挖掘技术在军事信息处理中的应用模式与框架进行了探讨。 相似文献
9.
【目的/意义】文物图像资源日益成为数字人文基础设施建设的重要内容,为了克服存在于图像资源内容与
形式上的“语义鸿沟”对其开发利用产生的消极影响,有必要面向文物图像资源底层视觉特征与高层语义特征的精
细化映射与细粒度知识表示进行相关研究。【方法/过程】本文在分析文物图像资源知识表示需求与表示策略的基
础上,提出了基于知识元构造的文物图像资源细粒度知识表示模型。在模型设计的基础上,以著名绘画文物《历代
帝王图卷》为例,阐述了面向文物图像资源细粒度表示需求进行知识元提取、构造与数据发布的具体流程。【结果/
结论】实验结果表明,本文提出的基于知识元的文物图像资源细粒度知识表示方法能够在图像底层视觉特征与高
层语义特征之间建立有效的语义映射关系,并通过与外部知识库的数据关联实现与开放关联数据网络的深度融
合。【创新/局限】本文从知识元角度出发,提出了文物图像资源的细粒度知识表示方法,在未来的研究中还需对文
物图像知识元的自动提取以及基于知识元的图像资源知识发现方法进行更深入地探索。 相似文献
10.
本文阐述知识集合的存贮功能,从概念之间的关系、物元的发散性和发散性在检索上的运用三方面分析知识集合的检索功能,提出参数的运用与结构化的知识集合。 相似文献
11.
《Information processing & management》2019,56(6):102093
Knowledge graphs are widely used in retrieval systems, question answering systems (QA), hypothesis generation systems, etc. Representation learning provides a way to mine knowledge graphs to detect missing relations; and translation-based embedding models are a popular form of representation model. Shortcomings of translation-based models however, limits their practicability as knowledge completion algorithms. The proposed model helps to address some of these shortcomings.The similarity between graph structural features of two entities was found to be correlated to the relations of those entities. This correlation can help to solve the problem caused by unbalanced relations and reciprocal relations. We used Node2vec, a graph embedding algorithm, to represent information related to an entity's graph structure, and we introduce a cascade model to incorporate graph embedding with knowledge embedding into a unified framework. The cascade model first refines feature representation in the first two stages (Local Optimization Stage), and then uses backward propagation to optimize parameters of all the stages (Global Optimization Stage). This helps to enhance the knowledge representation of existing translation-based algorithms by taking into account both semantic features and graph features and fusing them to extract more useful information. Besides, different cascade structures are designed to find the optimal solution to the problem of knowledge inference and retrieval.The proposed model was verified using three mainstream knowledge graphs: WIN18, FB15K and BioChem. Experimental results were validated using the hit@10 rate entity prediction task. The proposed model performed better than TransE, giving an average improvement of 2.7% on WN18, 2.3% on FB15k and 28% on BioChem. Improvements were particularly marked where there were problems with unbalanced relations and reciprocal relations. Furthermore, the stepwise-cascade structure is proved to be more effective and significantly outperforms other baselines. 相似文献
12.
[目的/意义]近年来,科技文献资源呈爆炸性增长,海量科技文献中依旧存在大量非结构化摘要。非结构化摘要一方面不利于学者阅读与理解;另一方面不利于对摘要内部信息进行知识的自动化抽取和相应的检索。研究科技文献非结构化摘要的知识表示模型及其自动化抽取方法,对学者快速阅读和机器自动化处理具有重要意义。[方法/过程]文章在分析科技文献非结构化摘要结构的基础上,结合知识元本体理论,构建了一个面向科技文献非结构化摘要的知识元本体模型。通过分析非结构化摘要的写作特征,将文本按句子级划分为目的、方法、结果或结论三个要素,统计每个要素句中的线索词、句型和位置,建立相关规则库,根据本体模型和规则库构建相关抽取算法。最后,下载《计算机技术与发展》中的部分文献进行实验。[结果/结论]通过增加句型集和线索词集,完善了非结构化摘要的要素,构建了非结构化摘要知识元本体模型。实验结果表明,根据本文提出的模型能有效地对非结构化摘要中的知识元进行抽取。[局限]实验的不足之处是需要人工对摘要中的句型和线索词进行归纳总结。 相似文献
13.
14.
《Information processing & management》2020,57(6):102344
Relation classification is one of the most fundamental tasks in the area of cross-media, which is essential for many practical applications such as information extraction, question&answer system, and knowledge base construction. In the cross-media semantic retrieval task, in order to meet the needs of cross-media uniform representation and semantic analysis, it is necessary to analyze the semantic potential relationship and construct semantic-related cross-media knowledge graph. The relationship classification technology is an important part of solving semantic correlation classification. Most of existing methods regard relation classification as a multi-classification task, without considering the correlation between different relationships. However, two relationships in the opposite directions are usually not independent of each other. Hence, this kind of relationships are easily confused in the traditional way. In order to solve the problem of confusing the relationships of the same semantic with different entity directions, this paper proposes a neural network fusing discrimination information for relation classification. In the proposed model, discrimination information is used to distinguish the relationship of the same semantic with different entity directions, the direction of entity in space is transformed into the direction of vector in mathematics by the method of entity vector subtraction, and the result of entity vector subtraction is used as discrimination information. The model consists of three modules: sentence representation module, relation discrimination module and discrimination fusion module. Moreover, two fusion methods are used for feature fusion. One is a Cascade-based feature fusion method, and another is a feature fusion method based on convolution neural network. In addition, this paper uses the new function added by cross-entropy function and deformed Max-Margin function as the loss function of the model. The experimental results show that the proposed discriminant feature is effective in distinguishing confusing relationships, and the proposed loss function can improve the performance of the model to a certain extent. Finally, the proposed model achieves 84.8% of the F1 value without any additional features or NLP analysis tools. Hence, the proposed method has a promising prospect of being incorporated in various cross-media systems. 相似文献
15.
本文介绍了一个智能教学系统的设计模型,并给出了教学模型、学生模型、知识表示等相关功能的设计方法以及设计过程中的关键技术和实现方法。 相似文献
16.
【目的/意义】基于知识元挖掘科技文献中的科学知识,建立科学知识之间的联系,构建细粒度知识图谱,旨
在打通知识之间的壁垒,满足用户细粒度的知识需求。【方法/过程】首先,本文构建基于图的知识元表示框架,并以
知识元为核心构建细粒度知识组织模型;其次,设计面向科技文献知识元的知识图谱,并探究知识图谱构建流程,
以实现知识图谱的自动化构建;最后以科技文献中的摘要和引言为实验数据,进行实证研究,构建面向科技文献知
识元的知识图谱。【结果/结论】本文所构建的知识图谱不仅能直观地展现学术论文所需要探究的问题、所提出的方
法和模型等,还能够揭示科学知识之间的内在关联。【创新/局限】本文探究了细粒度知识组织模型,构建了面向科
技文献知识元的知识图谱。在未来的研究中,将不断完善知识图谱构建流程,并探索知识图谱的应用领域。 相似文献
17.
相关概念的关联参照检索是概念检索的重要研究内容。本文提出了一种基于主题的语义关联的参照检索模型，通过融合语义网、本体论的相关知识及信息提取等语言处理技术，提取关于特定主题的文档的主题概念及概念之间的关联构成该主题的语义关联模型，并辅助于参照检索过程。 相似文献