<kbd id='7wei8u9z'></kbd><address id='7wei8u9z'><style id='7wei8u9z'></style></address><button id='7wei8u9z'></button>

              <kbd id='nm5dm5ia'></kbd><address id='nm5dm5ia'><style id='nm5dm5ia'></style></address><button id='nm5dm5ia'></button>

                      <kbd id='b0wg5ire'></kbd><address id='b0wg5ire'><style id='b0wg5ire'></style></address><button id='b0wg5ire'></button>

                              <kbd id='i1u95l5e'></kbd><address id='i1u95l5e'><style id='i1u95l5e'></style></address><button id='i1u95l5e'></button>

                                      <kbd id='uoegy5on'></kbd><address id='uoegy5on'><style id='uoegy5on'></style></address><button id='uoegy5on'></button>

                                              <kbd id='7rz002pv'></kbd><address id='7rz002pv'><style id='7rz002pv'></style></address><button id='7rz002pv'></button>

                                                  威尼斯官网

                                                  知识图谱和问答系统

                                                  日期: 2018-10-10 22:50:07 / 人气: 467

                                                  1.前言

                                                  知识图是智能应用程序的基础结构aaa,例如下一代搜索引擎和问答系统aaaaa。目前出现的产品有:百度“智能”和搜狗“知立方”aaaaa。本文介绍了知识映射的基础知识及其在自然语言处理(主要是问答系统)中的应用aaaaa。

                                                  2.知识图谱概念

                                                  知识地图是基于有向图的数据结构aaaa。它由节点和有向边组成aaa。图中的每个节点称为实体aaaa,边表示实体间aaa。逻辑关系(Relation)aaaa。

                                                  例如aaaa,这是一个简单描述旅游景点的知识地图:

                                                  0?wx_fmt=jpeg

                                                  现在解释为什么“知识地图是智能应用的基础设施aaaaa,如下一代搜索引擎aaa,问答系统等”aaaaa。如果将智能系统视为大脑aaa,那么知识地图就是大脑中的知识库aaaaa,使机器能够“分析以分析和思考问题”aaa。以上图为例aaaaa,从知识图中可以得到“泰山高度为1545米”aaaaa,“衡山与衡山的发音相同”等简单知识aaa。

                                                  3.知识地图的表示

                                                  知识地图可以用三元组(实体-1aaaa,关系aaaa,实体-2)来表示aaaaa,每一个都描述一个事实aaa,例如:(五神圣aaaaa,五岳之一aaa,泰山)aaaaa,“泰山是一个” “五岳之山”aaa。应当注意aaa,如果关系是确定性的aaaa,那么实体-1和实体-2的位置不能被反转aaaaa,因为三元组描述了有向边(事实);实体不一定是真实的实体aaaaa。具体的东西也可以是东西的属性值aaaa,而关系是属性aaa。

                                                  我们使用三元组来存储知识地图aaa。还有一个问题需要考虑aaaaa,即实体识别和实体消歧aaaa。例如aaaaa,实体“Apple”可以指水果苹果或iPhoneaaaaa。此时aaaa,我们需要在知识地图上进行一些处理并修改搜索策略aaaa。

                                                  0?wx_fmt=jpeg

                                                  0?wx_fmt=jpeg

                                                  在建立知识地图的过程中aaaa,如果发现模糊aaaaa,则添加相应的上级节点aaa,并且上级节点用于区分何时筛选单词“Apple”aaaa。同样aaaa,知识地图只是基础设施aaa。将举例说明知识地图的应用价值;然后介绍知识推理技术aaaaa,即如何通过与用户交互来教授智能系统来改进知识地图aaaaa。

                                                  4.知识地图的应用

                                                  传统的搜索引擎只是根据用户输入的关键字过滤目标网页aaaa,然后给出一堆网页链接aaa。除了提供相应的网页链接之外aaaaa,知识地图的应用还将尝试提供一些更智能的答案aaa。例如aaa,如果用户在Bing搜索中输入“taj mahal”aaaa,将获得以下结果:

                                                  0?wx_fmt=jpeg

                                                  在这里aaaa,泰姬陵的同义词aaa,旅游信息aaa,地理位置和古代世界的七大奇迹被用来更好地探索用户的意图aaa,而不是像传统的搜索引擎那样严格aaaa。用户需要逐个过滤信息aaa,使知识地图技术具有很大的商业价值aaaa。

                                                  再举一个例子aaaa,我直接在百度搜索中输入了“笔乒乓球”并获得了以下结果(事实上aaaaa,我只是想搜索“张继科”aaaaa,但暂时忘了他的名字):

                                                  0?wx_fmt=jpeg

                                                  同时aaa,知识地图的应用可以使搜索引擎获得一定的推理能力aaa。举个例子aaaa,在百度搜索输入“梁启超的儿子的妻子”时aaa,传统的搜索引擎只是简单地匹配网页aaaaa,很难真正理解用户的意图aaaa,更不用说回答这个问题了aaaa。但是aaaa,知识地图可以使问题变得简单aaaaa。我们先从知识库里找到梁启超的儿子梁思成aaa,然后得到梁思成的妻子是林伟aaaa。

                                                  0?wx_fmt=jpeg

                                                  这将增强搜索引擎和用户之间的互动aaaa,并逐渐成为一个智能的问答系统aaaa。

                                                  0?wx_fmt=jpeg

                                                  5.知识推理技术

                                                  同样aaa,知识地图只是基础设施aaaa,因为它非常简单aaaa,并且没有高科技aaa。我们只想以这样一种方式保存知识aaa,即我们可以从简单的知识中学习更高的知识aaaa。例如aaaa,知识地图中仅存在以下信息:

                                                  0?wx_fmt=jpeg

                                                  然后智能问答系统无法回答诸如“康熙与干隆之间的关系是什么aaaa?”等问题aaa。知识推理类可以用来通过添加人为规则来简单地更新知识地图:“父亲+父亲→祖父”aaa。或者直接从用户交互中学习规则aaaaa。当然aaaaa,用户在交互时需要具备统计知识aaaaa。不能说有些网民回答同样的国籍关系aaaa,那么所有的祖父母和孙子女都是“相同的国籍关系”aaaaa。

                                                  接下来aaaaa,让我们看一个更复杂的例子aaaaa。在百度搜索引擎中aaaaa,输入“孕妇会不会吃荔枝aaaaa?”并得到以下结果:

                                                  0?wx_fmt=jpeg

                                                  此时aaa,智能问答系统可以回归“59%的网民认为他们可以吃aaa,28%的网民认为他们不能吃aaaaa,13%的网民认为他们不能吃aaaaa。”如果用户继续询问“不吃东西的原因是什么aaaaa?”aaaaa,则返回“不能吃”的用户回答aaaa。以下示例用于考虑统计机器学习技术在知识推理中的应用aaaaa。

                                                  让我们分析一下这些“用户响应”来自“幼树”aaa,一些来自“问答网”aaa,一些来自“儿童网络”aaaaa,我们可以使用爬虫爬上这些网站及其答案的问题aaaa,然后问题要进行聚类aaa,首先要构建以下知识地图:

                                                  0?wx_fmt=jpeg

                                                  特定问题和答案之间的逻辑关系留空aaaaa。然后我们对语义边缘进行分类并填充自由边缘aaaa。当然aaa,它可能被错误分类aaa。例如aaaaa,百度的例子中的第一个答案aaaa,“小心吃”它被归类为“可以吃”aaaa。最后aaaaa,通过对这些边缘进行统计aaa,你可以回答类似的问题aaaa,使用语料库做知识推理aaaaa,学习知识aaa,不在知识库中aaaa,并改进知识地图aaaa。


                                                  现在致电 0755-88820392 OR 查看更多联系方式 →