亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

知識庫問答旨在通過知識庫回答自然語言問題。近來，大量的研究集中在語義或句法上復雜的問題上。在本文中，我們精心總結了復雜知識庫問答任務的典型挑戰和解決方案，介紹了復雜知識庫問答的兩種主流方法，即基于語義解析（基于SP）的方法和基于信息檢索（基于IR）的方法。首先，我們形式化地定義了知識庫問答任務并介紹了該任務下相關的數據集。然后，我們從兩個類別的角度全面回顧了前沿方法，說明他們針對典型挑戰的解決方案。最后，我們總結并討論了一些仍具有挑戰的未來研究方向。

知識庫(KB)是一個結構化的數據庫，它以(主題、關系、對象)的形式包含一系列事實。大型KBs，如Freebase [Bollacker et al.， 2008]， DBPedia [Lehmann et al.， 2015]和Wikidata [Tanon et al.， 2016]，已經構建服務于許多下游任務。知識庫問答(KBQA)是一種基于知識庫的自然語言問答任務。KBQA的早期工作[Bordes et al., 2015; Dong et al., 2015; Hu et al., 2018a; Lan et al., 2019b; Lan et al., 2019a]專注于回答一個簡單的問題，其中只涉及一個單一的事實。例如，“j·k·羅琳出生在哪里?”“是一個可以用事實來回答的簡單問題”(J.K.羅琳)羅琳，出生地，英國)。

最近，研究人員開始更多地關注于回答復雜問題，即復雜的KBQA任務[Hu et al., 2018b; Luo et al., 2018]。復雜問題通常包含多個主題，表達復合關系，并包含數值運算。以圖1中的問題為例。這個例題的開頭是“the Jeff Probst Show”。這個問題不是問一個單一的事實，而是要求由兩個關系組成，即“被提名人”和“配偶”。該查詢還與一個實體類型約束“(Jeff Probst，是一個電視制作人)”相關聯。最后的答案應該通過選擇有最早結婚日期的可能候選人來進一步匯總。一般來說，復雜問題是涉及多跳推理、約束關系、數值運算或上述幾種組合的問題。

對話系統作為人機交互的重要方式，有著廣泛的應用前景。現有的對話系統專注于解決語義一致性和內容豐富性等問題，對于提高人機交互以及產生人機共鳴方向的研究關注度不高。如何讓生成的語句在具有語義相關性的基礎上更自然地與用戶交流是當前對話系統面臨的主要問題之一。首先對對話系統進行了整體情況的概括。接著介紹了情感對話系統中的對話情緒感知和情感對話生成兩大任務，并分別調研歸納了相關方法。對話情緒感知任務大致分為基于上下文和基于用戶信息兩類方法。情感對話生成的方法包括規則匹配算法、指定情感回復的生成模型和不指定情感回復的生成模型，并從情緒數據類別和模型方法等方面進行了對比分析。然后總結整理了兩大任務下數據集的特點和鏈接便于后續的研究，并歸納了當前情感對話系統中不同的評估方法。最后對情感對話系統的工作進行了總結和展望。

//fcst.ceaj.org/CN/abstract/abstract2684.shtml

摘要： 需求獲取和建模是指從需求文本或記錄中獲取顯式和隱式的需求，并通過表格化、圖形化、形式化等方法構建相應模型的過程，是軟件開發過程中極為關鍵的一步，為后續系統設計與實現鋪平道路，提高軟件開發效率和質量，提升軟件系統穩定性和可行性.研究者們在需求獲取與建模方面獲得了一系列研究成果，根據其關注階段不同，可以將它們分為需求知識提取、需求知識分類和需求模型構建3個方面.鑒于傳統方法在知識獲取、模型構建的準確性和效率方面一直存在弊端，近年來，越來越多的研究者們將具有廣泛應用性的人工智能技術與需求獲取、需求分類、需求建模方法相結合，提出了一系列智能需求獲取與建模的方法和技術，從而彌補了傳統方法的不足.著重從智能需求獲取與建模角度著手，對近年來的研究進展進行梳理和總結.主要內容包括：1)統計并分析人工智能技術在需求知識提取、需求知識分類和需求模型構建中使用的方法和技術；2)總結了智能需求獲取與建模過程中采用的驗證方法和評估方法；3)從科學問題和技術難點2個方面歸納得出目前智能需求獲取與建模的關鍵問題，圍繞集成式和動態化模型構建、與其他軟件工程活動關聯、智能需求知識分類的粒度、數據集構建、評估指標構建和工具支持6部分，闡述了上述問題的可能解決思路和未來發展趨勢

//crad.ict.ac.cn/CN/10.7544/issn1000-1239.2021.20200740

推薦系統旨在為用戶推薦個性化的在線商品或信息, 其廣泛應用于眾多Web場景之中, 來處理海量信息數據所導致的信息過載問題, 以此提升用戶體驗. 鑒于推薦系統強大的實用性, 自20世紀90年代中期以來, 研究者針對其方法與應用兩方面, 進行了大量廣泛的研究. 近年來, 很多工作發現知識圖譜中所蘊含的豐富信息可以有效地解決推薦系統中存在的一系列關鍵問題, 例如數據稀疏、冷啟動、推薦多樣性等. 因此, 本文 針對基于知識圖譜的推薦系統這一領域進行了全面的綜述. 具體地, 首先簡單介紹推薦系統與知識圖譜中的一些基本概念. 隨后, 詳細介紹現有方法如何挖掘知識圖譜不同種類的信息并應用于推薦系統. 此外, 總結了相關的一系列推薦應用場景. 最后, 提出了對基于知識圖譜的推薦系統前景的看法, 并展望了該領域未來的研究方向.

隨著谷歌知識圖譜、DBpedia、微軟 Concept Graph、YAGO 等眾多知識圖譜的不斷出現, 根據 RDF 來構建的知識表達體系越來越為人們所熟知. 利用 RDF 三元組表達形式成為人們對現實世界中 知識的基本描述方式, 由于其結構簡單、邏輯清晰, 所以易于理解和實現, 但也因為如此, 當其面對現 實中無比繁雜的知識和很多常識時, 往往也無法做到對知識的認識面面俱到, 知識圖譜的構建過程注 定會使其中包含的知識不具有完整性, 即知識庫無法包含全部的已知知識. 此時知識庫補全技術在應 對此種情形時就顯得尤為重要, 任何現有的知識圖譜都需要通過補全來不斷完善知識本身, 甚至可以 推理出新的知識. 本文從知識圖譜構建過程出發, 將知識圖譜補全問題分為概念補全和實例補全兩個 層次: (1) 概念補全層次主要針對實體類型補全問題, 按照基于描述邏輯的邏輯推理機制、基于傳統機 器學習的類型推理機制和基于表示學習的類型推理機制等 3 個發展階段展開描述; (2) 實例補全層次 又可以分為 RDF 三元組補全和新實例發現兩個方面, 本文主要針對 RDF 三元組補全問題沿著統計 關系學習、基于隨機游走的概率學習和知識表示學習等發展階段來闡述實體補全或關系補全的方法. 通過對以上大規模知識圖譜補全技術研究歷程、發展現狀和最新進展的回顧與探討, 最后提出了未來 該技術需要應對的挑戰和相關方向的發展前景.

知識圖譜以概念、實體及其關系的方式建模世界知識，在實際任務中得到了越來越廣泛的應用。為了介紹 知識圖譜的相關技術、評估當前技術的性能水平、了解不同技術的優缺點，揭示未來的發展方向，CCKS 2019 舉辦了 一個包含 6 個任務的評測競賽，覆蓋了實體、關系、事件及問答等多類知識圖譜關鍵技術，吸引了 1600 余支隊伍參 加。本報告系統整理了參賽隊伍使用的技術、資源和策略，可以為評估當前知識圖譜技術水平，提供構建知識圖譜系 統的技術參考，揭示未來的發展方向提供一份有價值的參考。