動態(tài)知識圖譜應用及推理解釋

目錄
“信息科學技術(shù)學術(shù)著作叢書”序
前言
**篇 基礎理論篇
第1章 知識圖譜基本概念、理論與方法 3
1.1 引言 3
1.2 知識圖譜基本概念 4
1.3 知識圖譜理論與方法 5
1.4 本章小結(jié) 7
第2章 知識圖譜應用與可解釋性 8
2.1 引言 8
2.2 知識圖譜問答系統(tǒng)概述 9
2.2.1 知識圖譜問答基本概念 9
2.2.2 時序問題 9
2.2.3 時序知識圖譜 11
2.2.4 知識圖譜問答方法 12
2.2.5 時序知識問答 17
2.2.6 基于知識圖譜問答的圖匹配技術(shù) 20
2.3 知識圖譜序列**系統(tǒng)概述 22
2.3.1 知識圖譜序列**系統(tǒng)的基本概念 24
2.3.2 知識圖譜序列**系統(tǒng)的分類、構(gòu)建流程及**算法 24
2.4 可解釋知識推理 28
2.4.1 知識推理技術(shù)分類 29
2.4.2 基于圖神經(jīng)網(wǎng)絡的知識推理 32
2.4.3 面向圖神經(jīng)網(wǎng)絡的解釋方法 33
2.4.4 知識推理解釋形式 35
2.5 本章小結(jié) 40
第二篇 基于知識圖譜的問答技術(shù)
第3章 基于時序約束的候選空間縮減技術(shù) 43
3.1 引言 43
3.2 相關工作 45
3.2.1 時序知識問答 45
3.2.2 時序知識問答中的候選空間縮減 46
3.3 CCSTI候選空間縮減模型 48
3.3.1 問題依賴增強表示 48
3.3.2 答案時序區(qū)間判定 51
3.3.3 答案邏輯推理 52
3.4 實驗準備 54
3.5 實驗結(jié)果與分析 55
3.6 本章小結(jié) 58
第4章 衡量時間信息對向量精確依賴的時序知識問答方法 60
4.1 引言 60
4.2 相關工作 62
4.3 模型設計 64
4.3.1 答案子圖信息增強 65
4.3.2 問題表征增強 65
4.3.3 答案預測 69
4.4 實驗準備 69
4.5 實驗結(jié)果與分析 71
4.6 本章小結(jié) 75
第5章 基于再驗證框架的時序問題多答案推理方法 76
5.1 引言 76
5.2 相關工作 78
5.3 模型設計 79
5.4 實驗準備 83
5.5 實驗結(jié)果與分析 84
5.6 本章小結(jié) 87
第三篇 基于知識圖譜的動態(tài)**技術(shù)
第6章 基于遷移學習和多智能體深度強化學習的知識推理方法 91
6.1 引言 91
6.2 相關工作 93
6.3 模型設計 96
6.3.1 背景和問題定義 96
6.3.2 基于強化學習的模型框架 97
6.3.3 基于遷移學習的模型訓練 101
6.4 實驗結(jié)果與分析 102
6.5 對比實驗與消融實驗 104
6.6 本章小結(jié) 108
第7章 融合門控循環(huán)單元和圖神經(jīng)網(wǎng)絡的知識圖譜序列**算法 109
7.1 引言 109
7.2 相關工作 110
7.3 模型設計 112
7.3.1 問題描述與符號說明 112
7.3.2 KGSR-GG算法實現(xiàn) 113
7.4 實驗結(jié)果與分析 120
7.4.1 實驗數(shù)據(jù)集介紹 120
7.4.2 基線方法 121
7.4.3 實驗設置 122
7.4.4 基線方法結(jié)果與分析 124
7.5 本章小結(jié) 128
第8章 基于預訓練與知識圖譜的序列**模型 129
8.1 引言 129
8.2 相關工作 130
8.3 模型設計 132
8.3.1 相關定義及公式化描述 132
8.3.2 模型描述 132
8.4 實驗 139
8.4.1 實驗數(shù)據(jù)集及預處理 139
8.4.2 評價指標 139
8.4.3 參數(shù)設置 140
8.4.4 基線方法 141
8.4.5 實驗結(jié)果與分析 141
8.5 本章小結(jié) 149
第四篇 知識推理的可解釋方法
第9章 面向知識圖譜鏈接預測任務的解釋子圖生成 153
9.1 引言 153
9.2 相關工作 154
9.3 模型設計 155
9.3.1 模型框架 155
9.3.2 單關系圖轉(zhuǎn)換 156
9.3.3 圖神經(jīng)網(wǎng)絡模型設置 158
9.3.4 解釋生成 159
9.4 實驗 159
9.5 實驗結(jié)果與分析 161
9.5.1 知識圖譜補全實驗與結(jié)果分析 161
9.5.2 解釋提取實驗與結(jié)果分析 163
9.6 本章小結(jié) 165
第10章 基于解釋子圖的知識圖譜邏輯規(guī)則提取算法 166
10.1 引言 166
10.2 相關工作 167
10.3 GKREx規(guī)則提取模型 168
10.3.1 模型框架 168
10.3.2 基于單關系圖的解釋子圖生成 168
10.3.3 語言偏置 172
10.3.4 面向解釋子圖的規(guī)則提取 172
10.4 實驗準備 175
10.5 實驗結(jié)果與分析 176
10.6 本章小結(jié) 178
第11章 面向兩階段規(guī)則提取的可解釋性增強方法 179
11.1 引言 179
11.2 相關工作 180
11.3 IEM-TREx可解釋性增強方法 181
11.3.1 基于中心性的候選節(jié)點篩選 182
11.3.2 基于連通性的解釋子圖裁剪 183
11.4 實驗準備 184
11.5 實驗結(jié)果與分析 187
11.6 本章小結(jié) 189
參考文獻 190