面向中医领域的本体构建与知识发现应用研究
这是一篇关于中医本体,语义推理,数据融合,知识图谱的论文, 主要内容为中医是我国传统医学的瑰宝,其在漫长的发展与演变过程中,逐步形成了一套对疾病进行审证求机、辨证施治的学科理论体系。在新冠疫情肆虐全球的时代背景下,中医以其独到的方法体系与施治特点在治疗新型肺炎疾病和预防疫情传播上起到了至关重要的作用,得到了国内外医学专家广泛的关注与高度的赞扬。在中医长期施治于临床的过程中,对不同疾病相匹配的类症鉴别、病因病机、临床特点有了较为系统的认识,形成了有待于挖掘与应用的海量中医知识。这些知识散落在各类中医学典籍、研究文献、临床数据中。随着人工智能时代的到来,利用语义建模相关技术,围绕中医领域进行知识表达、知识推理、知识共享与应用成为了一个值得关注和研究的方向,对中医学科的传承与发展有着极为重要的意义。本文对中医学科理论体系与中医本体的应用需求进行深入梳理与调研,并参考中医专家的指导与建议,完成面向中医领域的本体构建与知识发现的应用研究。首先,对本体工程中数据层与模式层的构建方式进行宏观设计,针对异构的中医数据源,提取确立中医本体模型中重要的概念类别以及与之相关的语义关系。并结合本体建模方式,通过OWL(Web Ontology Language)建模语言完成中医本体模式层的构建与实例层的数据填充,构建起一套涵盖中医内、外、妇、儿科,能展示其辨证施治特点的本体模型。该本体模型能够支持不同维度的中医语义查询,在辅助中医施治于临床的过程中具有重要的借鉴价值。其次,以本文构建的中医本体模型为契机,对语义推理方面的技术进行详细的梳理,设计编写契合中医本体工程的SWRL(Semantic Web Rule Language)推理规则。并基于Hermit推理机完成对中医学科内在知识结构与隐含信息的挖掘与推理,为中医学科的丰富与发展提供新的视角与可能。最后,提出了一套异构数据的融合方案,对异构的中医数据源进行融合与转换。并依循中医语义关系将融合后的数据映射到Neo4j图数据库中,构建起一套蕴含海量信息的中医知识图谱。为用户提供了一种从“辩证关系”出发,快速分析检索中医知识的有效途径。为了简化基于Cypher的查询过程,以构建的中医知识图谱为主要数据来源,采用B/S架构,设计完成一套中医知识检索系统。
一种基于Spark的语义推理引擎实现及应用
这是一篇关于语义推理,规则,分布式推理,Spark,Hadoop MapReduce的论文, 主要内容为近些年在知识图谱蓬勃发展的大背景下,与之相关的语义Web的数据规模也呈现爆发态势。如何在大规模语义Web数据上有效地进行语义推理是研究者们面临的棘手问题。具体来说,在大规模语义Web数据上实施语义推理时,计算量巨大、消耗时间长都是突出的问题,特别是当应用复杂规则逻辑进行推理时,情况更是如此。传统单机环境下的语义推理引擎无法应对大规模知识图谱下的推理,缺乏可扩展性方面的考虑,难以满足在数据规模上日益增长的语义关联数据的推理需求。从分布式角度来看,已有的基于Hadoop MapReduce实现的语义推理框架由于欠缺推理算法相关的网络通信和磁盘I/O等的优化,推理效率依然较低。本文针对上述问题,围绕分布式内存计算平台Spark,研究以下几个方面的内容:首先设计一个良好模块化且推理规则可配置的完整分布式推理引擎架构。接着研究现有的单机和分布式语义推理算法,基于Spark框架对相关算法进行分布式的实现,并针对Spark的原理和特点做相应的优化。将基于Spark实现的推理引擎与现有的传统分布式推理引擎在推理效率上进行对比实验。实验结果表明,本文设计的基于Spark的语义推理引擎在推理效率上要远好于以Hadoop MapReduce为代表的推理实现,同时兼具了高可扩展性。最终将本系统应用到物联网领域,适应实时和流式的语义数据流处理和推理场景。
时序知识图谱语义推理技术研究
这是一篇关于时序知识图谱,语义推理,双通道理论,循环神经网络的论文, 主要内容为知识图谱是表示实体间结构化关系的三元组表达形式,引入时间信息后变更的四元组则组成了时序知识图谱。由于时序知识图谱具有语义丰富、动态更新、图结构完备等特性,时序知识图谱已成为推理认知和人工智能的热门研究方向,且广泛应用于推理的相关应用,如知识图谱补全、智能问答、推荐系统等。以往的知识图谱研究大多关注静态的知识图谱,忽略了随时间变化的动态特征,但是在实际应用中,很多结构化的知识只在特定的时间内有效。这些问题会极大影响知识图谱推理的准确性和有效性,语义间的动态变化也会导致推理模型的失真。因此,如何在时序知识图谱中实现对未来事实的推理,同时提升模型的推理性能、准确度和可解释能力,已经成为知识图谱领域新的研究热点。认知科学中的双通道理论把人类的思考方式划分为了两个阶段。当面对未来事实的推理任务时,人类通常会在记忆中无意识地搜索有用的历史信息,即“快思考”阶段。随后会有选择地对未来事实进行逻辑推理,即“慢思考”阶段。受此机制的启发,提出了两阶段时序推理模型(Two-Stage Temporal Reasoning Model,TSTR)。具体地,在“快思考”阶段,从大量历史信息中挖掘出可用的信息,基于历史信息的频率来推理出未来事实发生的概率。在慢思考阶段,考虑到时序间依赖关系和邻域节点间的语义信息,采用基于注意力机制的关系图卷积网络的方法聚合邻域节点的语义信息,再通过循环神经网络进行序列化推理,得到预测概率。最后,对两阶段推理的候选实体概率进行加权,选择概率最高的候选实体作为最终的结果,实现两阶段融合的预测。为了验证TSTR模型的可行性和有效性,在三个公开基准数据集上测试了模型的性能。实验结果表示,相比于现有模型,TSTR模型在各个数据集上的表现都较为优秀。在链接预测任务上,平均倒数排名最高提升3%,准确率最高提升4%。
面向中医领域的本体构建与知识发现应用研究
这是一篇关于中医本体,语义推理,数据融合,知识图谱的论文, 主要内容为中医是我国传统医学的瑰宝,其在漫长的发展与演变过程中,逐步形成了一套对疾病进行审证求机、辨证施治的学科理论体系。在新冠疫情肆虐全球的时代背景下,中医以其独到的方法体系与施治特点在治疗新型肺炎疾病和预防疫情传播上起到了至关重要的作用,得到了国内外医学专家广泛的关注与高度的赞扬。在中医长期施治于临床的过程中,对不同疾病相匹配的类症鉴别、病因病机、临床特点有了较为系统的认识,形成了有待于挖掘与应用的海量中医知识。这些知识散落在各类中医学典籍、研究文献、临床数据中。随着人工智能时代的到来,利用语义建模相关技术,围绕中医领域进行知识表达、知识推理、知识共享与应用成为了一个值得关注和研究的方向,对中医学科的传承与发展有着极为重要的意义。本文对中医学科理论体系与中医本体的应用需求进行深入梳理与调研,并参考中医专家的指导与建议,完成面向中医领域的本体构建与知识发现的应用研究。首先,对本体工程中数据层与模式层的构建方式进行宏观设计,针对异构的中医数据源,提取确立中医本体模型中重要的概念类别以及与之相关的语义关系。并结合本体建模方式,通过OWL(Web Ontology Language)建模语言完成中医本体模式层的构建与实例层的数据填充,构建起一套涵盖中医内、外、妇、儿科,能展示其辨证施治特点的本体模型。该本体模型能够支持不同维度的中医语义查询,在辅助中医施治于临床的过程中具有重要的借鉴价值。其次,以本文构建的中医本体模型为契机,对语义推理方面的技术进行详细的梳理,设计编写契合中医本体工程的SWRL(Semantic Web Rule Language)推理规则。并基于Hermit推理机完成对中医学科内在知识结构与隐含信息的挖掘与推理,为中医学科的丰富与发展提供新的视角与可能。最后,提出了一套异构数据的融合方案,对异构的中医数据源进行融合与转换。并依循中医语义关系将融合后的数据映射到Neo4j图数据库中,构建起一套蕴含海量信息的中医知识图谱。为用户提供了一种从“辩证关系”出发,快速分析检索中医知识的有效途径。为了简化基于Cypher的查询过程,以构建的中医知识图谱为主要数据来源,采用B/S架构,设计完成一套中医知识检索系统。
基于本体的E-Learning个性化分析与指导方法研究
这是一篇关于E-Learning,Ontology,个性化,语义推理,Jena的论文, 主要内容为随着网络技术的不断发展,基于网络的E-Learning正在改变着人们学习知识的方式,越来越多的学习者渴望通过更加个性化和智能化的方式来获取知识。与此同时,海量的散布在网络上的非结构化或半结构化的异种多媒体教学资源限制了语义异构环境下的信息表示、交换、共享和智能化的应用,因此,迫切需要扩展现有的数据表示机制。虽然,基于元数据的XML表示方法能在一定程度上缓解异构数据源带来的差异,但是由于缺乏语义,不仅检索的精度不高,而且基于其上层的智能化应用也不够理想。 本文结合WI(Web Intelligence)中的Ontology(本体)技术和Jena(由HP公司的Brian McBride开发,起源于早些时候SiRPAC API的工作,其定义了很多的接口来访问和处理Ontology文件)基于规则的本体访问机制,对基于本体E-Learning的个性化分析与指导方法进行了初步的探索和尝试,并给出了一种面向语义的分析与指导机制,为实现E-Learning的个性化提出了一个可行的解决方案。该方案可满足不同学习者的要求,为其挑选最适合的学习对象,并对学习者进行学习路径的智能导航。 本文首先介绍了E-Learning的发展现状,并对E-Learning中遇到的资源异构和用户个性化需求的问题进行了分析;然后,对Ontology与W3C最新推荐的OWL本体描述语言的特点及应用分别进行了介绍,初步设计了支持个性化应用和描述的教学本体模型OBTM(Ontology-Based Teaching Model),给出了一种面向语义的非结构化教学资源的表示机制,为实现非结构化教学信息的语义访问和个性化应用奠定了基础;在OBTM模型的基础上,本文结合Jena推理机制,制定了“个性化”的教学策略规则和语义策略规则,使系统可以利用本体推理技术实行教学内容和教学策略自适应控制。 在Windows XP操作系统环境下笔者利用Protege3.1工具来构建相应的本体模型,并采用JSP、JAVA、OWL和Jena API技术,具体实现了基于本体的个性化E-Learning( Ontology-Based Personal E-Learning, OBPEL )系统模型。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码驿站 ，原文地址：https://bishedaima.com/lunwen/48370.html
