面向文献文本的生态环境领域知识图谱构建研究

这是一篇关于生态环境,文献文本驱动,知识图谱,语义标注,深度学习的论文, 主要内容为生态环境研究与治理是国家生态文明建设的重要工作,先进科学技术赋能生态环境研究与治理势在必行,多学科深度交叉融合是大趋势。目前在生态环境领域,通过大量文献文本与互联网文本自动化构建知识图谱的方法还鲜有学者研究,生态环境相关的文献期刊中包含大量的碎片化信息和隐式知识,目前还未有效果较好的自动化挖掘方法,文本文献中潜在的巨大价值还未得到充分利用。因此本文开展面向文献文本的生态环境领域知识图谱构建研究,提出了文献文本驱动的领域知识图谱构建方法。以生态环境领域文献资料为主要数据源,通过文献文本数据抓取、结合机器学习的本体建模、基于深度学习技术的信息抽取、知识验证以及原型工具开发为技术路线进行生态环境领域知识图谱构建与应用研究主要研究内容如下:(1)生态环境领域语料抓取与知识本体建模方法研究。本文通过编写抓取程序共获取了5021篇生态环境相关文献文本,共计2346万字;通过TF-IDF、Text Rank、词频统计的统计学习方法统计了重要性指数前1000的生态环境概念和关系。在此基础上通过专家咨询与归纳总结,分析生态环境领域主要的实体与关系,明确生态环境领域中关键的概念实体与关系,构建了生态环境领域知识信息模型,为语料库构建奠定了基础。(2)语义标注软件设计研发与标注语料库构建。本文总结分析了环境领域知识抽取的信息样本特点,对标注工作流程进行梳理、确定标注软件的需求,以Flask+Vue+Elasticsearch为主要技术框架,自主研发人机交互良好的标注软件。对收集的生态环境与文本进行命名实体标注和实体关系标注,构建了具有40.7万字共计2.2万条的生态环境命名实体与1.1万条生态环境实体关系的语料库。(3)生态环境领域信息智能抽取算法训练与调优工作。命名实体识别实验结果表明BERT-Bi GRU-CRF模型在Batch Size(4)、Learning rate(3e-5)时效果最好,抽取的总体精度89.09%,召回率88.60%,F1值88.85;然后进行关系抽取模型训练。实验结果表明,Transformer模型在Batch Size(128),Learning rate(1e-3),注意力头数(5)下效果最好,抽取的总体精度为96.39%,召回率97.25%,F1值96.82%;本文将1000段生态环境文本进行提取,将提取的结果经过本文设计的知识模型算法存储到知识图谱中,最终得到29490条知识三元组。(4)生态环境领域知识验证工具设计与实现。对抽取的知识三元组集合通过知识融合与知识验证方法进行质量控制后存储到图数据库中。针对构建的知识图谱与使用的实验算法,研发生态环境领域知识服务工具原型软件,实现在线的环境领域实体、关系抽取、知识可视化表达、知识问答以及文献浏览等功能。本文探索了知识图谱技术在生态环境数字化、信息化和智能化的适用性,研究成果可以为生态环境监测评估任务提供语义数据基础,为决策服务提供技术支撑,对我国的生态环境研究与治理具有应用价值。

科学论文论证知识图谱构建研究

这是一篇关于知识图谱,科学论文,论证,语义标注的论文, 主要内容为随着信息技术的快速发展和科学研究范式的不断创新,科学研究事业蓬勃发展,使得科学论文指数级增长。这在极大丰富了人类的知识储备同时,也为高质量论文知识的精准发现与高效阅读提出了挑战。知识图谱作为新型的知识组织方式,能够实现细粒度知识的语义组织、检索、表示与推理。但是当前学术领域知识图谱都是描述文献题录、作者、出版机构等科学活动对象及其元数据信息,没有涉及科学论文的内容组件与细粒度知识单元,难以支撑科学论文内容层次的知识组织与应用。此外,科学论文是论证结构标准功能单位的例证,其核心是通过实验数据及他人结论来论证作者提出的断言,集中反映了科学论断的推理及演绎过程,它包含了丰富的论证结构和论证过程等隐性知识。因此,揭示这些论证结构,从论证角度对科学论文进行深度语义组织与表示,可以规范描述并准确表征科学论文的论证单元和论证关系,是实现科学论文语义增强,支撑语义出版和知识发现的重要途径,对科学知识及其演化过程的理解与利用具有重要意义。因此,本文研究科学论文论证知识图谱的构建,可以从论证的角度实现科学论文内容深度语义组织与表示,提高科学论文细粒度语义组织与高效检索应用的水平,从而满足研究者的精准化、高效化、个性化与细粒度化的知识需求,加快科研产出,为科学研究服务。本文使用文献分析法、实验研究法、比较分析法对科学论文论证知识图谱构建进行研究。首先在比较、分析和借鉴了诸多科学论文论证知识表示模型与本体的基础上,本研究从论证的角度设计了科学论文论证知识图谱组织模型,用以指导和约束科学论文论证知识图谱的构建。之后,本研究开展了科学论文论证知识图谱的构建实验,通过深度语义标注实现了知识图谱论证单元和论证关系的抽取与组织,使用Neo4j图数据库对知识图谱进行存储,并搭建了科学论文论证知识图谱可视化系统对知识图谱进行可视化展示。此外,本研究对科学论文论证知识图谱在自动摘要、远距离阅读、知识演化上的应用进行了初步探索,探讨了科学论文论证知识图谱的广泛应用前景。科学论文论证知识图谱对科学论文论证单元与论证关系进行语义组织,是一种基于科学论文内容粒度组织的新型学术领域知识图谱。与现有的学术领域知识图谱相比,科学论文论证知识图谱能够聚焦于科学论文细粒度语义内容,基于论证的语义关系也更符合科学论文的论证过程和组织形式,所以它能够很好地支持论文知识的组织与表示,可以深入地应用于科学知识检索、重组、推理与演化、语义出版、战略性阅读、人文计算等领域。再者,基于论证视角进行组织与表示的科学知识图谱,可以明晰的表示科学论文的论证结构与科学知识的论证过程,有助于提高科研人员论文写作技巧,从而提高论文写作的质量和效率,也有助于对科学论文论证质量进行评估,帮助科学交流系统中的同行评审工作的客观、高效的开展,将会在科学知识的生产、传播、传承与应用的过程中发挥重要作用。

面向文献文本的生态环境领域知识图谱构建研究

这是一篇关于生态环境,文献文本驱动,知识图谱,语义标注,深度学习的论文, 主要内容为生态环境研究与治理是国家生态文明建设的重要工作,先进科学技术赋能生态环境研究与治理势在必行,多学科深度交叉融合是大趋势。目前在生态环境领域,通过大量文献文本与互联网文本自动化构建知识图谱的方法还鲜有学者研究,生态环境相关的文献期刊中包含大量的碎片化信息和隐式知识,目前还未有效果较好的自动化挖掘方法,文本文献中潜在的巨大价值还未得到充分利用。因此本文开展面向文献文本的生态环境领域知识图谱构建研究,提出了文献文本驱动的领域知识图谱构建方法。以生态环境领域文献资料为主要数据源,通过文献文本数据抓取、结合机器学习的本体建模、基于深度学习技术的信息抽取、知识验证以及原型工具开发为技术路线进行生态环境领域知识图谱构建与应用研究主要研究内容如下:(1)生态环境领域语料抓取与知识本体建模方法研究。本文通过编写抓取程序共获取了5021篇生态环境相关文献文本,共计2346万字;通过TF-IDF、Text Rank、词频统计的统计学习方法统计了重要性指数前1000的生态环境概念和关系。在此基础上通过专家咨询与归纳总结,分析生态环境领域主要的实体与关系,明确生态环境领域中关键的概念实体与关系,构建了生态环境领域知识信息模型,为语料库构建奠定了基础。(2)语义标注软件设计研发与标注语料库构建。本文总结分析了环境领域知识抽取的信息样本特点,对标注工作流程进行梳理、确定标注软件的需求,以Flask+Vue+Elasticsearch为主要技术框架,自主研发人机交互良好的标注软件。对收集的生态环境与文本进行命名实体标注和实体关系标注,构建了具有40.7万字共计2.2万条的生态环境命名实体与1.1万条生态环境实体关系的语料库。(3)生态环境领域信息智能抽取算法训练与调优工作。命名实体识别实验结果表明BERT-Bi GRU-CRF模型在Batch Size(4)、Learning rate(3e-5)时效果最好,抽取的总体精度89.09%,召回率88.60%,F1值88.85;然后进行关系抽取模型训练。实验结果表明,Transformer模型在Batch Size(128),Learning rate(1e-3),注意力头数(5)下效果最好,抽取的总体精度为96.39%,召回率97.25%,F1值96.82%;本文将1000段生态环境文本进行提取,将提取的结果经过本文设计的知识模型算法存储到知识图谱中,最终得到29490条知识三元组。(4)生态环境领域知识验证工具设计与实现。对抽取的知识三元组集合通过知识融合与知识验证方法进行质量控制后存储到图数据库中。针对构建的知识图谱与使用的实验算法,研发生态环境领域知识服务工具原型软件,实现在线的环境领域实体、关系抽取、知识可视化表达、知识问答以及文献浏览等功能。本文探索了知识图谱技术在生态环境数字化、信息化和智能化的适用性,研究成果可以为生态环境监测评估任务提供语义数据基础,为决策服务提供技术支撑,对我国的生态环境研究与治理具有应用价值。

基于WebGL的三维实体语义标注系统的设计与实现

这是一篇关于语义标注,WebGL,三维实体,B/S的论文, 主要内容为随着多媒体技术的不断发展,网页中元素形式呈现多样化趋势。近年来,在WebGL标准的辅助下,3D模型和场景不再依赖任何第三方插件就可以流畅的渲染到浏览器中。通过标准的、跨平台的WebGL接口在浏览器中实现三维实体语义标注来替代传统的二维绘图软件标注显得十分必要。本文基于WebGL标准对三维实体语义标注系统进行设计与实现。描述了系统的需求分析、系统总体设计及数据设计、系统详细设计及系统的实现与测试等内容。首先从功能性需求与非功能性需求两个方面对系统进行分析,并确定了系统的六大功能模块。在总体设计阶段明确提出模块化、B/S结构、组件化的设计原则,确定了系统设计的总体框架,采用功能架构图对系统功能进行展示。对系统涉及到的内容进行建模分析并绘制E-R图来展示实体间的联系。详细设计时从系统的六大功能模块着手,将各模块再按照功能进行划分,对每个功能点的实现函数进行详细设计。系统实现部分围绕主要功能模块的核心代码展示及效果截图的方式展开,最后对系统进行了全面的测试并针对测试问题进行完善。通过全面的分析、详细的设计及不断的完善,最终设计出三维实体语义标注系统。本开发主要实现三维实体语义标注系统的用户管理、实体文件上传、语义标注、文件共享、文件汇总、微信接入六大功能模块。系统设计中采用Vue的组件化开发,实现了数据的绑定,极大提高了代码复用和开发效率。对于频繁请求的文件使用redis做数据缓存,减少请求次数与请求响应时间。利用H5的离线存储机制,使用户在离线状态下可继续操作,在有网络链接的情况下再将这些操作进行提交保存。为使系统更具通用性与实用性,系统完全兼容web端与手持设备端,在微信公众号下可同样使用。系统实现的语义化的标注强化了用户对实体文件的理解;在线的标注模式大大节省了文件存储空间,让用户随时随地可操作;利用语义化的标注内容可进一步优化系统内文件的检索。目前,实现的三维实体语义标注系统已经得到很好的应用,既方便了用户的学习与交流,又节省了用户本地存储空间。

结合语义标注的神经网络模型可解释性研究

这是一篇关于可解释性,语义标注,决策树,模型解构的论文, 主要内容为神经网络模型的可解释性是当前人工智能领域前沿的一个研究方向,致力于通过可解释的方法以人类可以理解的方式来展现神经网络模型内部对于知识的学习过程和决策逻辑。在深度学习领域,由于神经网络模型结构的复杂层级,其内部蕴含着大量人类难以理解的代码和数值,它的透明性与可解释性无法满足人类对于可信人工智能系统的基本要求,因而,深度学习也被称为“黑盒”算法。语义概念是人类能够直观理解的特征属性,基于语义特征的深度神经网络模型可解释性研究可以直观地将神经网络内部的特征和运行原理展示出来,从而增进人类对于神经网络模型的理解和信任。本文聚焦于提高神经网络内部神经元语义标注的准确性和可解释性,并以之为基础构建贯穿整个模型的决策关系逻辑,最终提供一种从语义层面解释神经网络模型内部特征和决策逻辑的方法。其中具体的研究工作主要有以下几点:1、基于模型解构的神经网络语义一致性分析。针对可以使用的语义标注数据集语义标签数量有限,神经元语义标注不准确的问题,提出了一种以语义概念为中心的神经元语义一致性标注方法。通过解耦神经元对于不同语义概念的表征,实现了一个语义概念的多个神经元表征标注,在有限的数据集内获得了更多和更具有可解释性的语义概念标注。2、基于决策树的神经网络语义层次化推理。针对神经网络模型内部的决策逻辑不透明、决策过程难以理解的问题,提出了一种基于决策树的神经网络语义层次化推理方法。通过对神经元权重参数和特征图的相似度计算,按照决策树的推理逻辑构建神经网络层与层之间的连接关系,完成基于整个模型的语义可解释决策树的构建,从全局层面提供了一种基于语义概念解释神经网络模型决策逻辑的方法。3、语义可解释决策树的应用。针对现实场景对于神经网络模型可解释性的需求,设计系统的总体框架和相关功能模块,并结合Vue、Spring Boot等开发框架,构建完成语义可解释决策树应用系统,将本文提出的神经网络可解释性方法应用于具体的图像识别过程解释中。

基于知识图谱的客观题生成研究与实现——以高中生物《组成细胞的分子》知识单元为例

这是一篇关于知识图谱,自动出题系统,语义标注,本体的论文, 主要内容为信息技术的发展推动教育方法的变革,也推动了出题方式的变化。当前试题生成主要通过人工或者半自动生成。人工出题方式完全依赖于教育工作者的实践经验,人为设定出题背景、题干、答案和选项。半自动生成试题多采用挖空法,需要人工从大量的题干中提取关键信息并确定其位置,将待生成题目的关键信息填入到相应位置。在以上两种方式的出题过程中,人为干预过多,从而使得出题效率低下。为了提高出题效率,解决出题过程中人为干预过多的问题,减轻教育工作者繁重的出题负担,本文提出了一种基于知识图谱的自动出题方式,并开发了基于知识图谱的客观题生成系统。本文主要工作包括以下几方面:(1)基于知识图谱的生成技术构建了高中生物人教版必修一第二章的生物知识图谱。采用半自动标注方法,完成本体库的概念体系和属性体系的基本构建;利用知识抽取将非结构化的百度百科文本数据结构化,并补充到《组成细胞的分子》的知识库;参考国家863计划”面向基础教育的海量知识库建设与构建关键技术及系统”所构建的基础教育生物知识库,完善《组成细胞的分子》的知识图谱。(2)提出了基于知识图谱的三种客观题生成策略。第一种出题策略是针对实体或者其属性直接进行提问的方式生成题目,详细过程参见本文第四章第一节。第二种出题策略是以实体有代表性的属性指代实体,并对该实体的其他属性进行提问的方式生成题目,详细过程参见本文第四章第二节。第三种出题策略是以现有的试题为基础,提取题干中的实体、关系、属性生成试题模板,通过模板生成题目,详细过程参见本文第四章第三节。前两种出题策略是根据知识图谱特点提出的特定方法,可以根据知识图谱自动出题。与传统出题方法相比,出题效率更高,操作更简单,即使不懂编程的老师也可以很快上手。这也是本文的创新点所在。(3)设计并实现了一个基于高中生物《组成细胞的分子》知识图谱的自动出题系统。将知识图谱中的数据根据出题策略生成试题,存入MySQL中,利用Spring Boot框架将出题结果展示出来。(4)评测基于知识图谱的自动出题系统生成的客观题,采用信度、效度、难度和区分度综合评测。本文提出的基于知识图谱的客观题生成策略,提高了出题效率,降低了出题成本,具有较高的实用价值。同时构建知识图谱的方法相对简单,赋予了教师进行资源开发的可能。本文提出的基于知识图谱的客观题生成方法不限于高中生物课程,还可以供其他课程客观题出题借鉴。

科学论文论证知识图谱构建研究

这是一篇关于知识图谱,科学论文,论证,语义标注的论文, 主要内容为随着信息技术的快速发展和科学研究范式的不断创新,科学研究事业蓬勃发展,使得科学论文指数级增长。这在极大丰富了人类的知识储备同时,也为高质量论文知识的精准发现与高效阅读提出了挑战。知识图谱作为新型的知识组织方式,能够实现细粒度知识的语义组织、检索、表示与推理。但是当前学术领域知识图谱都是描述文献题录、作者、出版机构等科学活动对象及其元数据信息,没有涉及科学论文的内容组件与细粒度知识单元,难以支撑科学论文内容层次的知识组织与应用。此外,科学论文是论证结构标准功能单位的例证,其核心是通过实验数据及他人结论来论证作者提出的断言,集中反映了科学论断的推理及演绎过程,它包含了丰富的论证结构和论证过程等隐性知识。因此,揭示这些论证结构,从论证角度对科学论文进行深度语义组织与表示,可以规范描述并准确表征科学论文的论证单元和论证关系,是实现科学论文语义增强,支撑语义出版和知识发现的重要途径,对科学知识及其演化过程的理解与利用具有重要意义。因此,本文研究科学论文论证知识图谱的构建,可以从论证的角度实现科学论文内容深度语义组织与表示,提高科学论文细粒度语义组织与高效检索应用的水平,从而满足研究者的精准化、高效化、个性化与细粒度化的知识需求,加快科研产出,为科学研究服务。本文使用文献分析法、实验研究法、比较分析法对科学论文论证知识图谱构建进行研究。首先在比较、分析和借鉴了诸多科学论文论证知识表示模型与本体的基础上,本研究从论证的角度设计了科学论文论证知识图谱组织模型,用以指导和约束科学论文论证知识图谱的构建。之后,本研究开展了科学论文论证知识图谱的构建实验,通过深度语义标注实现了知识图谱论证单元和论证关系的抽取与组织,使用Neo4j图数据库对知识图谱进行存储,并搭建了科学论文论证知识图谱可视化系统对知识图谱进行可视化展示。此外,本研究对科学论文论证知识图谱在自动摘要、远距离阅读、知识演化上的应用进行了初步探索,探讨了科学论文论证知识图谱的广泛应用前景。科学论文论证知识图谱对科学论文论证单元与论证关系进行语义组织,是一种基于科学论文内容粒度组织的新型学术领域知识图谱。与现有的学术领域知识图谱相比,科学论文论证知识图谱能够聚焦于科学论文细粒度语义内容,基于论证的语义关系也更符合科学论文的论证过程和组织形式,所以它能够很好地支持论文知识的组织与表示,可以深入地应用于科学知识检索、重组、推理与演化、语义出版、战略性阅读、人文计算等领域。再者,基于论证视角进行组织与表示的科学知识图谱,可以明晰的表示科学论文的论证结构与科学知识的论证过程,有助于提高科研人员论文写作技巧,从而提高论文写作的质量和效率,也有助于对科学论文论证质量进行评估,帮助科学交流系统中的同行评审工作的客观、高效的开展,将会在科学知识的生产、传播、传承与应用的过程中发挥重要作用。

基于知识图谱的基础教育生物知识库构建与问答系统

这是一篇关于生物知识库,本体,知识图谱,问答系统,语义标注的论文, 主要内容为互联网技术的发展推动了教育模式的变革。基于网络资源的学习,日益成为教师与学生获取知识的重要途径。但当前网络基础教育资源存在结构松散、语义不强、检索困难、复用性低等情况,不能满足基础教育师生对于知识的准确性和权威性的需求。知识图谱是一种结构化的语义知识库,具有强大的结构表达能力和本体语义描述能力,在知识表示、开放共享和精准检索方面具有很大的优势。本文研究基于知识图谱的基础教育生物知识库的构建与问答系统。主要工作包括:(1)构建基础教育生物核心知识库。提出基础教育生物知识库构建方法,并完成基础教育生物知识库的构建。依托领域专家构建符合学科特点和教学规律的基础教育生物知识分类体系,基于本体方法构建基础教育生物知识库概念体系和属性体系,以生物教学大纲和权威教材作为数据源,采用半自动标注方法,抽取知识实例,构建基础教育生物核心知识库。(2)构建外源知识库并对知识库结构进行优化。使用爬虫技术抽取外部结构化资源,构建基础教育生物外源知识库。基于TransE优化算法,对知识库进行实体和关系挖掘,对知识结构进行优化和补全。(3)开发基础教育生物知识问答系统。完成生物知识库求解模板的提取与优化,通过优先级不同的模板匹配完成问题的求解,从而提高答案的准确性。本文基于权威教材以及教辅资料构建生物核心知识库,保障基础教育生物知识库的准确性和权威性。通过爬虫技术对生物核心知识库进行扩展,并用TransE算法对知识库进行结构优化与补全,扩大了生物知识库的规模和覆盖率。采用三层模板匹配方法,构建了准确性高的基础教育生物知识问答系统。

结合语义标注的神经网络模型可解释性研究

这是一篇关于可解释性,语义标注,决策树,模型解构的论文, 主要内容为神经网络模型的可解释性是当前人工智能领域前沿的一个研究方向,致力于通过可解释的方法以人类可以理解的方式来展现神经网络模型内部对于知识的学习过程和决策逻辑。在深度学习领域,由于神经网络模型结构的复杂层级,其内部蕴含着大量人类难以理解的代码和数值,它的透明性与可解释性无法满足人类对于可信人工智能系统的基本要求,因而,深度学习也被称为“黑盒”算法。语义概念是人类能够直观理解的特征属性,基于语义特征的深度神经网络模型可解释性研究可以直观地将神经网络内部的特征和运行原理展示出来,从而增进人类对于神经网络模型的理解和信任。本文聚焦于提高神经网络内部神经元语义标注的准确性和可解释性,并以之为基础构建贯穿整个模型的决策关系逻辑,最终提供一种从语义层面解释神经网络模型内部特征和决策逻辑的方法。其中具体的研究工作主要有以下几点:1、基于模型解构的神经网络语义一致性分析。针对可以使用的语义标注数据集语义标签数量有限,神经元语义标注不准确的问题,提出了一种以语义概念为中心的神经元语义一致性标注方法。通过解耦神经元对于不同语义概念的表征,实现了一个语义概念的多个神经元表征标注,在有限的数据集内获得了更多和更具有可解释性的语义概念标注。2、基于决策树的神经网络语义层次化推理。针对神经网络模型内部的决策逻辑不透明、决策过程难以理解的问题,提出了一种基于决策树的神经网络语义层次化推理方法。通过对神经元权重参数和特征图的相似度计算,按照决策树的推理逻辑构建神经网络层与层之间的连接关系,完成基于整个模型的语义可解释决策树的构建,从全局层面提供了一种基于语义概念解释神经网络模型决策逻辑的方法。3、语义可解释决策树的应用。针对现实场景对于神经网络模型可解释性的需求,设计系统的总体框架和相关功能模块,并结合Vue、Spring Boot等开发框架,构建完成语义可解释决策树应用系统,将本文提出的神经网络可解释性方法应用于具体的图像识别过程解释中。