7个研究背景和意义示例,教你写计算机实体嵌入论文

今天分享的是关于实体嵌入的7篇计算机毕业论文范文, 如果你的论文涉及到实体嵌入等主题,本文能够帮助到你

基于多特征提取的农业病害知识图谱构建方法研究与系统实现

这是一篇关于农作物病害,知识图谱,关系抽取,深度学习,实体嵌入的论文, 主要内容为农业生产中,作物病害一直是制约作物产量和品质的主要因素之一。近年来,部分农区由于气候等因素的影响,作物病害呈现加重趋势。目前,对作物病害的统计数据主要依靠人工进行归类、整合从而实现数据的分析和查询,这一工作不仅需要耗费大量的时间,还需要依靠专家经验进行相应的专业分析。随着大数据时代的到来,农业生产与信息技术的结合越来越紧密。农业大数据呈现几何级数的增长,加快农业智能化转型的同时,也为信息的提取和分析提供了新的方案。知识图谱技术是一种图数据库形式的知识库,通过构建农业病害知识图谱可以有效地管理作物病害数据,为农业下游任务提供便利的查询、分析等知识服务。论文基于自然语言处理,结合深度学习和神经网络算法设计了农业病害知识图谱,并在知识图谱基础上建立了农业病害检索系统,能够为农业从业者以及普通大众提供农业病害的查询服务。本文针对农业病害知识图谱构建过程中文本嵌入信息不充分和实体关系抽取不准确的问题,提出了使用深度学习模型的实体关系抽取方法,并在此基础上改进了针对中文农业文本的实体关系抽取效率。在农业文本的嵌入和实体关系数据集的构建基础上融合了多层次的农业文本特征,建立了多层次粒度的农业病害特征向量,在此特征向量的嵌入基础上进行实体关系的识别并建立了实体关系的三元组。利用农业病害三元组在neo4j图数据库上构建了农业病害知识图谱。最终基于该知识图谱,实现了一个能够查询农业相关作物病害和防治方法的智能化检索系统。本文的工作主要包括以下几个方面:(1)完成了实验数据的收集处理,通过利用python爬虫技术从维基百科等网站爬取水稻、小麦、玉米以及大豆等农作物的病害数据,将农业文本数据输入深度学习模型进行向量嵌入,嵌入之后构建三层粒度的特征提取模型来聚合文本的特征向量,将三个层次的注意力特征向量全连接作为整个文本的嵌入,发现通过这种方式的嵌入能够使农业病害语料具有更多的特征维度,极大地提高农业病害文本的实体识别精确度。(2)利用python包装器从农业科学大数据网站抽取了大量结构化数据,之后利用清洗和关键字匹配技术选取了其中大量的农业文本。将大量文本通过繁简转化,中英文过滤等操作提取了中文农业作物病害语料,对所有的农业病害文本做了分词和人工标注处理,抽取了实体和关系数据集,并为农业病害定义了七种关系类型。通过使用基于FastBert的深度学习模型实现了中文农业病害语料的实体关系抽取。通过对比发现,本文的方法在实体关系三元组的抽取精度和效率上都比现有模型有所提高。(3)设计了一个农业病害检索系统。通过自建的农业病害三元组集合在neo4j数据库上构建了作物病害领域知识图谱,并利用vue.js设计前端框架,django设计后端框架,实现了一个病害检索系统。该系统通过实体属性链接技术提取前端输入信息的关键词链接到图数据库,实现了农业病害的实体和关系以及防治方法等信息的查询,为农业从业人员提供必要的需求信息,也为后期构建农作物病害知识问答系统和智能防治推荐系统等下游应用提供支撑。

基于多特征提取的农业病害知识图谱构建方法研究与系统实现

基于网络角色的知识图谱实体嵌入方法的研究与实现

这是一篇关于知识图谱,网络角色,实体路径,实体嵌入,实体画像的论文, 主要内容为知识图谱是一种描述物理世界中的实体概念及其相互关系的图结构知识库。知识图谱实体嵌入方法则旨在表征实体特征,得到实体低维稠密的向量表示,使得对知识图谱的分析推至数值计算层面,生成的实体嵌入可广泛应用于机器学习相关的下游任务中。现有知识表示学习方法多是针对知识图谱的三元组结构进行实体和关系建模,忽略了实体之间的复杂关系,如实体的多步路径和多阶邻域信息等。此外,基于图结构的表示学习方法认为图中相近的实体共享相似的特征,生成的嵌入表示在向量空间中更加相近,相距较远的实体对应的嵌入将更加远离。此类方法忽略远距离的实体的结构相似性,也未能考虑实体属性相似性对实体的影响。这种不同层面的实体相似性可用不同的网络角色来体现。由相同角色的实体构成的实体路径可用来更为全面地表征实体在图结构中的特征。本研究主要研究工作如下:1.提出知识图谱中实体的网络角色发现方法。首次将网络角色概念用于统一化表征实体的多种语义相似性,实体的不同相似性将对应不同的角色发现方法。本研究共提出了知识图谱中实体的四种网络角色:同质性角色、基于属性相似性的角色、基于结构相似性的角色和基于中心性相似性的角色。2.提出基于网络角色的实体路径建模方法。采用随机游走模型生成基于不同网络角色的实体路径,并分别使用Skip-Gram和CBOW-attention神经网络模型对实体路径进行无监督特征提取生成实体嵌入。3.将基于网络角色的实体嵌入方法应用于知识图谱的实体画像工作。实体画像的核心工作是将实体的嵌入表示用于实体相似度计算,进一步去度量实体标签的区分性。并对实体画像结果进行可视化,使得用户能从大量冗余的实体描述信息中获取到具有区分性的实体结构化标签信息。本研究在开放域知识图谱DBpedia及其它领域相关知识图谱等数据集上对生成的实体嵌入进行了实体相似度、实体分类和链接预测等下游任务的评估。大规模知识图谱生成的实体嵌入表示可离线保存或作为背景知识链接到其他数据集,具有一定的工程应用价值。

融合多跳关系路径与实体信息的关系推理方法研究

这是一篇关于知识图谱,关系推理,卷积神经网络,双向长短时记忆网络,注意力机制,实体嵌入的论文, 主要内容为随着互联网及移动互联网的不断发展,数据以爆炸式的速度增长,知识图谱作为数据的一种直观并形象的表示形式,能够有效地表示数据中蕴含的知识。但由于数据的动态发展以及知识图谱构建技术的不足,目前已知的知识图谱仍然具有不完善性和错误性,因此对其进行补全成为目前的研究热点之一。在知识图谱补全过程中,对实体间的关系进行推理是非常重要的一个环节。目前的关系推理方法一方面忽视了实体间多跳路径中的隐含信息对推理结果的影响,另一方面忽视了实体描述和实体类型对推理的影响。本文提出一种融合实体信息和多跳关系路径信息的关系推理方法,主要研究工作如下:(1)针对目前推理模型忽视了实体间多跳关系路径中的隐含信息对推理结果的影响,提出一种融合多跳关系路径信息的关系推理模型Att-Conv Bi LSTM。首先通过路径排序算法PRA(Path Ranking Algorithm)进行随机游走获取实体之间的所有关系路径。之后利用卷积神经网络CNN(Convolutional Neural Networks)提取每条路径上的局部特征并将其嵌入到低维空间中。然后利用双向长短时记忆网络Bi LSTM(Bi-directional Long Short-Term Memory)对局部特征进行编码并生成关系路径表示向量,有效解决了梯度消失的问题。实验结果表明,与目前常用的关系推理方法相比,Att-Conv Bi LSTM模型具有更高的精确率。(2)针对目前的注意力机制忽略了每条路径可以提供不同的关系推理证据的问题,本文采用加性注意力机制将候选关系向量与关系路径向量进行组合,并计算其匹配分数,加性注意力机制可以有效地考虑较小的值,在计算得分方面表现出更好的性能。另外,在推理过程中采用多步推理方式,将每次使用注意力机制得出的推理结果继续使用注意力机制。在每一步推理中,都会生成一个新的查询关系嵌入向量来表示推理证据,从而能更有效地利用多路径中的局部特征,提高了推理精确率。(3)针对实体描述和类型对推理结果的影响,提出了一种融合实体类型和描述的知识图谱嵌入模型EFTD(Embedding Fusion of Entity Type and Entity Description)对实体描述和所有实体类型进行嵌入,从而更好地提取实体以及实体间关系路径中的局部特征和隐藏信息。通过在NELL995数据集上进行实验发现,Att-Conv Bi LSTM结合EFTD模型的关系推理结果比未结合EFTD模型的推理结果,精确率大幅提高。由此可见,EFTD+Att-Conv Bi LSTM模型可以有效应用于知识图谱的实体间关系推理中。

基于机器学习的网购者购买意愿预测研究

这是一篇关于购买意愿,机器学习,神经网络,实体嵌入的论文, 主要内容为随着电子商务产业和网络购物需求的日益增长,了解在线用户的行为和意图对于市场的发展尤为重要。因此,准确预测在线用户的购买意愿对于电商平台的发展有重要意义。本文以此为背景,针对网购者购买意愿的问题进行分析和预测,引入实体嵌入来处理结构化数据,并建立神经网络预测模型。本文利用在线用户购买行为的数据集进行研究,首先对数据进行预处理,包括异常值处理、数据标准化、特征编码、数据平衡化等一系列处理。其次进行了特征分析,先对数据进行描述性统计分析,分析了各特征变量之间的关系,还对各特征变量的重要性进行排序,发现网页价值对于用户是否下单有重要影响,接着根据用户访问商品页面的时长将用户聚成三类,分别是无兴趣用户群、普通用户群和目标用户群。再次,引入实体嵌入来处理结构化数据,建立用户购买意愿的神经网络预测模型,并与基于经典机器学习算法建立的预测模型进行对比分析,得出引入实体嵌入的神经网络模型的预测效果最佳,且该模型对电商平台识别目标用户具有一定参考意义。最后,针对结论提出电商平台应注重提高网页价值、降低网页退出率和跳出率、提升用户转化率的建议。