7个研究背景和意义示例,教你写计算机语义推理论文

今天分享的是关于语义推理的7篇计算机毕业论文范文, 如果你的论文涉及到语义推理等主题,本文能够帮助到你

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。

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。

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%。

古遗址洪涝灾害风险监测的指标体系构建研究

这是一篇关于古遗址,洪涝灾害,监测指标,知识图谱,语义推理的论文, 主要内容为《大遗址保护规划规范》定义古遗址是一般包括在我国文明与文化史上不同发展时期的重要遗址遗迹。具有不可再生、不可替代的资源特性,属于国家重大历史文化资源。我国目前共有5058处国保单位,其中古遗址共占比24.7%,是中华民族灿烂文化的重要载体,但是在洪涝灾害等特大自然灾害前却相当脆弱,在面临洪涝灾害威胁时所产生的损失不可度量。因此,针对古遗址洪涝灾害风险监测具有重大意义。目前针对古遗址洪涝灾害风险的监测需求,虽然已有不少研究,但还未形成一套统一的风险监测体系,难以表达监测指标的关联关系,存在监测指标定义不够清晰,层次不够明确,关联性较差等问题。知识图谱作为可以直观体现知识实体间关系的语义网络而备受关注,为表达监测指标体系提供了一种新的思路。为构建较为统一和全面的古遗址洪涝灾害风险监测指标体系,本文经过各种前期考察,收集资料以及专家意见后,首先提出一种基于知识图谱本体相关技术的古遗址洪涝灾害风险监测指标知识图谱本体构建方法,定义其模式层,属性及关系并存储实体数据层,通过OWL(Web Ontology Language,网络本体语言)完成古遗址洪涝灾害风险领域知识图谱的本体构建。该知识图谱本体能够初步以可视化的形式表示各实体间的关系并包括实体属性信息,并提供查询与编辑功能,相较于以往的表格等形式有着可视化的优点,为监测指标体系的构建打下基础。其次,针对现有监测指标体系所存在的问题,提出了了古遗址洪涝灾害风险监测的指标体系结构。该结构由核心属性层以及关联属性层两部分组成。相较与以往的监测指标体系,该结构能围绕监测指标,包含所有与监测相关的概念,形成多角度、多层次的监测指标及相关知识的集合,可围绕单一监测指标提供多方面的信息,不再仅限于单一指标值。以及利用语义推理技术实现监测指标体系的构建与提取,以古遗址洪涝灾害监测指标领域知识图谱本体为基础,根据监测指标体的结构特点,编写SWRL(Semantic Web Rule Language)形式的推理规则,基于Hermit推理机,挖掘知识图谱本体中隐藏的属性及关系,完成从只有简单关系的知识图谱本体中提取监测指标体的过程。最后,以构建的古遗址洪涝灾害监测知识图谱本体为主要数据来源,基于Neo4j图数据库设计古遗址洪涝灾害风险监测知识图谱系统。并将上述理论与系统应用于蒲津渡遗址西瓮城监测实例中,结果表明:构建的知识图谱本体实例具有可视化、结构清晰等优点,可直观地表示实体间关系,能够较好地应用于古遗址洪涝灾害风险监测领域。基于规则的语义推理可将监测指标体这种小型结构从较为杂乱的知识图谱本体中提取出来,并且提取出的监测指标体可较为精确地根据监测需求,提供与实地监测相关的各项信息,可为实际的古遗址洪涝灾害监测工作提供科学参考。知识图谱系统可满足用户存储、查看、编辑古遗址实例信息与知识图谱本体的需求。

面向语义推理的多视角学术知识图谱构建方法研究与应用

这是一篇关于语义推理,知识图谱,图网络学习,学术论文推荐的论文, 主要内容为知识是人类创新的发展力。人们在实践中发现、研究知识并且创新知识,人类通过知识不断地改造社会。如今,网络世界的信息纷繁复杂,许多冗余、重复的信息干扰了人们的视线,因此,让学术人员快速、准确地定位到其感兴趣的知识是一项十分重要的任务。搜索与推荐可以帮助人们实现这一目标。但是,以往的搜索与推荐一般只是从统计的角度出发,经常被点击的项目具有更高的权重,而并不是从人类理解的角度出发,真正得到语义相关的知识。知识图谱的出现使这一问题迎刃而解。知识图谱将网络上的实体整合成一个语义网络,通过在知识图谱上的路径推理,系统可以将真正语义上有紧密联系的实体展示出来。在学术研究领域,学术论文是人们获取知识的中心来源,而学术论文以解决学术问题为宗旨。为了解决各种各样的问题,创新性的方法也是论文的主要贡献。由此可见,问题与方法都是理解论文的不同角度。从前,很少有人将论文的问题及方法抽取出来作为知识图谱中的节点,而如何从非结构化文本中抽取出这两种实体也是一个难点。与此同时,一般的实体抽取算法需要大量标注数据,这在大数据量的情况下十分损耗人力物力。因此,本文的目标是用少量标注数据完成大数据量下的问题及方法抽取,并构建一个将问题及方法作为节点的学术知识图谱,以进一步解决语义推理等问题。本文的主要工作如下:(1)提出了基于图神经网络的多视角概念抽取算法。已经有许多学者成功构建出学术知识图谱,但将问题与方法抽取出来作为节点的知识图谱少之又少。而与已有方法不同的是,本文提出了一种关于领域、问题及方法的假设,能够准确地区分问题及方法,在迭代自训练过程中应用由该假设所作的约束,实现半监督学习。针对论文中的每一个句子,给句子中的每个单词分配标签,标签是问题或方法。在学习特征向量的过程中,单词的上下文向量表示会与所属关键词在网络中的结构向量表示进行融合,使用神经网络学习融合后的特征,用两个不同的目标函数进行最终的预测;在模型自训练过程中加入由假设所做的约束,使模型能够自动向着分类结果更准确的方向发展,从而节省大量标注数据的工作。(2)提出了基于胶囊网络的学术论文推荐算法。以上一步构建出的知识图谱为辅助信息,根据某用户点击的论文,在知识图谱中得到与其语义上紧密相关的论文作为候选论文列表,通过用户的点击行为学习用户与论文的特征,使用胶囊网络提取上述特征,预测用户对于论文的评分,从而对候选论文进行评分排序,选取排名靠前的论文推荐给用户。在数据集上验证了实验结果的准确性。

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。