新课题“基于通用知识的推理问题”综述以及初步代码分析

本文介绍了新课题“基于通用知识的推理问题”,探讨了OpenCSR模型,包括其数据结构、模型思想、预处理和算法步骤。小组分工明确,一人负责分析OpenCSR,另一人负责ACP。尽管对模型理解尚浅,但已展开源代码的初步分析,后续将继续深入研究。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

2021SC@SDUSC

由于源代码分析较为困难且工作量巨大,原本的“中文信息抽取课题对于我们这个仅仅只有两个人的小组而言恐难以维系。因此,我们将课题更换成了基于通用知识的推理问题,接下来我们会展开对于这个课题的一些理解,阐述我们小组对此的分工,以及对于部分源代码的分析。

一、小组分工

基于通用知识的推理问题课题共有两个参考模型,分别是ACPopenOSR,以下是我们小组对这两个模型的代码分析分工情况。

由我负责分析OpenOSR模型,而梁同学则负责分析ACP模型。

二、有关课题的一些理解

由于是刚刚接手新课题不到一周的时间,因此对于课题的了解并不算十分深刻。以下仅仅只是粗浅地谈一谈自己对于课题中所使用的模型及其原理的认识,如有不当之处还请指正。

我们的课题名字是基于通用知识的推理问题,而我负责的模型是OpenCSR,即“开放式常识推理”。在讲解这个模型之前,首先需要了解的是推理问题的类型。问题一般分为两种,一种是场景中有候选答案的推理问题,另一种则是场景中没有候选答案的推理问题。粗浅地看,即是将问题分为了选择题和填空题这两种(暂不涉及推理过程),区别仅在于二者的选择范围不同。毫无疑问,填空题形式的选择范围,或者说决策空间更为巨大,最终的结果也不像选择题那样唯一或个数限定。这也正是这个课题的难点所在。

接下来谈谈所用到模型的思想。由于本人数学能力一般,因此对于模型思想没有办法用最精确的数学语言来呈现,只能从算法角度来剖析一下模型的内核。

2.1 相关数据结构

模型中首先初始给定两个数据结构

  1. 存放有事实知识的语料库F,该集合中每个元素均描述了一段客观事实;
  2. 存放有语料库中处理得到的概念的集合V,该集合中每个元素均表述了一个名词或名词短语。

以下是2021年知识图谱推理综述: 1. "A survey of knowledge graph embedding techniques"(知识图谱嵌入技术综述) 该综述介绍了知识图谱嵌入技术的发展历程,包括传统的基于概率图模型的方法和基于深度学习的方法。综述还探讨了不同的嵌入模型,如TransE、TransH、TransR等,并介绍了知识图谱嵌入技术在多个应用领域中的应用。 2. "A survey on knowledge graph-based recommender systems"(基于知识图谱的推荐系统综述) 该综述介绍了基于知识图谱的推荐系统的发展历程,包括传统的基于内容和协同过滤的推荐系统和基于知识图谱的推荐系统。综述还介绍了知识图谱在推荐系统中的应用,包括基于用户兴趣和领域知识的推荐系统。 3. "A survey of knowledge graph reasoning techniques"(知识图谱推理技术综述) 该综述介绍了知识图谱推理技术的发展历程,包括传统的基于规则推理和基于逻辑推理的方法和基于深度学习的方法。综述还探讨了不同的推理模型,如基于规则的推理、基于神经网络的推理等,并介绍了知识图谱推理技术在多个应用领域中的应用。 4. "A review of reasoning approaches for knowledge graphs"(知识图谱推理方法综述) 该综述介绍了知识图谱推理方法的发展历程,包括传统的基于规则推理和基于逻辑推理的方法和基于深度学习的方法。综述还介绍了知识图谱推理方法在不同场景下的应用,包括知识表示学习、关系抽取、实体链接等。 以上是2021年知识图谱推理综述,供您参考。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值