实现一种噪声超链接移除系统:基于语义和相关性的方法
本文提出了一种基于远程监督的半结构化网站自动提取方法,通过自动的结构对齐和标签生成获取足够完整的训练标记,再通过分类器预测新关系实例,实现了对知识库自动抽取的作用,取得了很好的实验效果。
Apr, 2018
本文研究了文档结构在学习任意文档语料库中概念本体关系方面的作用,所采用的基于超类发现和可解释性的方法,比独立的 R-GCN 模型准确率高 15 个百分点。
Apr, 2021
本文评估 Web 资源的语义相关性,集中讨论了基于知识的方法作为结构型方法的替代,主要依赖于知识图谱的可用性,通过对 10 个已有方法的选择以及它们的组织方式(邻接资源、三元组模式和三元组权重方法)进行实现和评估,通过使用 DBpedia 作为 RDF 知识图谱的参考,为了得到可比较的实验结果,这些方法被同时应用于相同的 DBpedia 版本和 14 个著名的黄金数据集,并根据实验结果与人类判断之间的相关性值,得出权衡 RDF 三元组和评估比较资源间的所有直接路径的组合策略是计算 DBpedia 语义相关性的最佳策略。
Aug, 2023
本文提出了一种基于 Graph Neural Networks 的新型深度学习方法,以解决如何预测大型演化网络中链接出现的问题,特别地,预测与 AI 相关的主题之间的链接。实验结果表明,使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式,且模型具有较高的预测准确性。
Jan, 2022
使用 feature-rich cognitive hypergraphs 模型基于 word association data 预测单词的具体性,相比 pairwise-based feature aggregations 和 pairwise networks 有更好的表现,并且丰富了和语言心理学向量相关的信息。
Apr, 2023
本文提出了一种基于主观注释的新型监督学习方法来学习统计句子相关性模型,该模型由大规模背景知识语料库中的文本单位关联的参数化共现统计信息组成,并提出了一种高效的算法来从相关性偏好的训练样本中学习语义模型,方法独立于语料库、适用于任何足够大的(非结构化)文本集合,并且可以为特定用户或用户组拟合语义模型。通过广泛的小到大规模实验结果表明,这种方法是有效的,竞争力强。
Nov, 2013
本文提出了一种新方法,将知识图谱作为先验知识,通过机器学习、图匹配和修改频繁子图挖掘来语义注释结构化数据源。我们的评估显示,在只知道少量语义模型的棘手情况下,我们的方法优于两种最先进的解决方案。
Dec, 2022
本研究提出了一种语义网络构建模型 WikiLink,它可以利用维基百科的数据作为语料库,结合统计和语义权重的方法构建出高覆盖率的语义网络,并基于四种算法实现创意的启发,为概念设计的创新提供了一种思路。
Aug, 2022