中国人工智能学会通讯——面向知识图谱的自适应中文分词技术
引言 知识图谱用于描述真实世界中存在的各 种实体和概念，知识图谱技术提供了一种从 海量文本和图像中抽取结构化知识的手段[1]。 知识图谱的构建可分为信息抽取、知识融合 和知识计算三部分，其中信息抽取是知识图 谱构建的基础，主要面向各种非结构化数据、 半结构化数据和自由文本数据。这里，自由 文本数据作为一种非结构化数据，是构建知 识图谱的主要数据来源。因此，从中文自由 文本中获取知识需要利用自然语....
《中国人工智能学会通讯》——6.9 从语义网到知识图谱
6.9 从语义网到知识图谱 计算机的研究者一直梦想构建一个高度互联的信息库，来记录和承载人类的思想、记忆与知识[1-2] 。早在 1945 年，美国人 Vannevar Bush 提出了一个称为 Memex 的“记忆机器”(CollectiveMemory Machine) [3] ，目的是让人们更加容易记录和访问知识。Bush 认为人脑记忆偏重“关联”和“连接”，而不是基于“索引”或“层次化”....
《中国人工智能学会通讯》——6.2 知识图谱的定义和发展
6.2 知识图谱的定义和发展 知识图谱由谷歌公司于 2012 年提出，用于下一代智能化搜索引擎的构建。在知识图谱出现之 前， 语 义 网（semantic Web） [1] 、 数 据 连 接（linked data） [2] 等相关研究和大量的知识库系统（YAGO [3-4] 、FreeBase [5] 、DBpedia [6] ）已经通过实体和实体之间的关系来表示现实世界的知识。知识图谱在提....
《中国人工智能学会通讯》——7.21 什么是知识图谱
7.21 什么是知识图谱 “知识图谱”（Knowledge Graph）是最近几年才出现的一个相对新的概念，用来指代大规模的，用来储存人类知识的数据集。知识图谱的创建可以依靠人工或者是半自动方法，例如 Freebase、YAGO 和 DBPedia；也可以是完全自动的，例如OpenIE [1] 和 NELL [2] 。为了方便计算机使用，知识图谱通常被存储成半结构化图的形式。图 1 展示了在 F....
《中国人工智能学会通讯》——7.20 当搜索引擎遇见知识图谱
7.20 当搜索引擎遇见知识图谱 新世纪以来，基于文本信息检索的搜索引擎获得了巨大的成功，谷歌、必应、百度等商业搜索引擎彻底改变了人们获取信息的方式，影响着我们生活的方方面面。作为人工智能学科最著名，同时也是商业上最成功的应用之一，搜索引擎技术受到了工业界和学术界的广泛关注。近年来，随着自然语言处理、信息抽取等技术的发展，计算机开始能够更精确地从海量文本数据、从自动学习和抽取人类的先验知识。这些....
《中国人工智能学会通讯》——12.51 现有知识图谱资源
12.51 现有知识图谱资源 知识图谱经历了由人工和群体智慧构建，到面向互联网利用机器学习和信息抽取技术自动获取的过程。根据信息来源和获取方式的不同，目前的知识图谱分为以下几类。 依靠人工构建的知识资源早期知识资源建立是通过人工添加和群体智能合作编辑得到，如英文 Wordnet [1] 和 Cyc 项目[2] ，以及中文的Hownet。Cyc 是一个通用的世界知识库，始建于 1984 年，其目的....
《中国人工智能学会通讯》——12.50 知识图谱研究综述
12.50 知识图谱研究综述 知识图谱（Knowledge Graph， KG）旨在描述客观世界的概念、实体、事件及其之间的关系。其中，概念是指人们在认识世界过程中形成对客观事物的概念化表示，如人、动物、组织机构等；实体是客观世界中具体事物，如篮球运动员姚明、互联网公司腾讯等；事件是客观世界的活动，如地震、买卖行为等。关系描述概念、实体、事件之间客观存在的关联关系，如毕业院校描述了一个人与他学习....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统 1 信息检索式的知识库问答
1 信息检索式的知识库问答 信息检索式的方法通常先确定问题的中心实体，继而生成问题的若干候选答案，再使用打分、排序等方式找出最适合原问题的答案。这类方法的整体框架比较简洁，对于简单问题有较好的效果。 1.1 确定中心实体 信息检索式的方法通常假设问题足够简单，大多数系统认为问题中有且仅有一个实体，这个实体被称作中心实体(Topic Entity)，这是用户输入自然语言问题的核心，同时假设问题答案....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统
自然语言问答(QA)是指利用各种技术和数据对用户提出的自然语言问题直接给出问题答案。QA任务根据所依赖的数据形态可以分成三类，分别是基于知识库的问答(KB-QA)[1-9]、基于文档的问答(DB-QA)[10]和社区问答(C-QA)[11]。其中，基于知识库的问答是指在结构化的知识库中寻找自然语言问题的答案；基于文档的问答是指在非结构化的文档集合中寻找与自然语言问题最匹配的语句或者段落，然后通过....
中国人工智能学会通讯——当知识图谱“遇见”深度学习 1.4 结束语
1.4 结束语 随着深度学习研究的进一步深入，如何 有效利用大量存在的先验知识，进而降低 模型对于大规模标注样本的依赖，逐渐成 为主流的研究方向之一。知识图谱的表示学习为这一方向的探索奠定了必要的基础。 近期出现的将知识融合入深度神经网络模 型的一些开创性工作也颇具启发性；但总 体而言，当前的深度学习模型使用先验知 识的手段仍然十分有限，学术界在这一方 向的探索上仍然面临巨大的挑战。这些挑 战主....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
人工智能通讯相关内容
人工智能更多通讯相关
- 人工智能通讯方法
- 人工智能通讯行为
- 人工智能通讯结束语
- 人工智能通讯众包技术
- 人工智能通讯众包
- 人工智能通讯任务分配
- 人工智能通讯技术
- 人工智能通讯评估
- 人工智能通讯嵌入
- 人工智能通讯谣言识别发展趋势
- 人工智能通讯研究
- 人工智能通讯应用
- 人工智能通讯金融
- 人工智能通讯推荐系统
- 人工智能通讯构建强健
- 人工智能通讯科学
- 人工智能通讯决策
- 人工智能通讯视觉
- 人工智能通讯实践
- 人工智能通讯机遇
- 人工智能通讯偏好
- 人工智能通讯视频行为识别
- 人工智能通讯科学鉴赏创作
- 人工智能通讯意识科学研究进展
- 人工智能通讯bots一站
- 人工智能通讯点击模型
- 人工智能通讯文本
- 人工智能通讯自然语言处理
- 人工智能通讯特征
- 人工智能通讯图灵测试