 |
-- 會員 / 註冊 --
|
 |
|
|
|
知識圖譜的自然語言查詢和關鍵詞查詢 ( 簡體 字) |
| 作者：胡新,段江麗 | 類別：1. -> 程式設計 -> 自然語言 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 53026
詢問書籍請說出此書號！【缺書】
NT售價： 290 元 |
| 出版日：11/1/2019 |
| 頁數：136 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121354298 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：近年來，智能對話系統取得了很大的發展和進步，按功能可劃分為三類：任務型、聊
天型、知識問答型。任務型對話系統的主要目標是完成任務或動作，典型應用是擔任用戶
的個人助理，如蘋果的“Siri”、微軟的“Cortana”、谷歌的“Allo”、百度的“度秘”、中科
匯聯的“愛客服”。聊天型對話系統以閑聊為主，典型應用是為用戶提供娛樂和情感陪護，
如微軟的“小冰”。知識問答型對話系統為用戶提供知識，主要應用為知識搜索，如谷歌、
搜狗、百度等搜索引擎嘗試提供少量的知識問答功能，以及新一代的知識搜索平臺Wolfram
的“Wolfram Alpha”和IBM 的“Watson”，知識問答型對話系統是以知識圖譜為基礎的。
知識圖譜是一種結構化的語義知識庫，以圖的方式展現“實體”、實體的“屬性”，以
及實體與實體之間的“關系”。隨著LOD（Linking Open Data）項目規模的不斷壯大，互
聯網上出現了越來越多的知識圖譜，如DBpedia、Yago、Freebase、CN-DBpedia（中文）、
PKU-PIE（中文）等。各大搜索引擎公司也紛紛以此為基礎構建自己的知識圖譜改善搜索
結果，如谷歌的“Knowledge Graph”、微軟的“Probase”、搜狗的“知立方”、百度的“知
心”等。
知識圖譜的自然語言查詢和關鍵詞查詢讓搜索引擎和知識搜索平臺開始智能化，但是
距離實現真正的智能化還有很長的路。華盛頓大學圖靈中心主任 Etzioni 教授曾指出：“以
直接而準確的方式回答用戶自然語言問句的自動問答系統將構成下一代搜索引擎的基本形
態。”當用戶輸入一個查詢，原來的搜索引擎只會返回相關的網頁，用戶還需要瀏覽多個網
頁并從網頁中艱難地尋找期望的答案。直到知識圖譜的出現，用戶可以看到與查詢有關的
智能化的答案，如用戶輸入“姚明的孩子”，谷歌、搜狗、百度等搜索引擎都會直接給出準
確答案“姚沁蕾”。利用知識圖譜為用戶提供更準確、完整、廣泛的知識才是搜索引擎的未
來發展方向，即充分了解用戶的查詢意圖并提供準確的查詢結果。但是，目前的問答技術
還處于初級階段，能夠回答的問題很少，如用戶輸入“姚明的退役時間”，目前的搜索引擎
都不能給出準確答案，只能返回很多相關網頁，網頁中包含退役時間為“2011 年7 月20
日”。盡管知識圖譜問答系統“Wolfram Alpha”和“Watson”已經取得了令人驚嘆的成就，
可以智能化地回答一些問題，但是仍然不能廣泛地回答用戶。綜上所述，知識圖譜問答中
的自然語言查詢和關鍵詞查詢是知識搜索的未來，但是目前的問答技術還需要不斷改善。
本書正是在人工智能快速發展和搜索引擎對智能問答的迫切需求的情況下，在編者總
結博士期間知識儲備和科學研究成果的基礎上撰寫而成的。本書不僅概述了近些年知識圖
譜的自然語言查詢和關鍵詞查詢的研究現狀及相關研究介紹，還針對目前研究中存在的不
足，進行了深入的研究，并展示了最新的研究成果。本書還以大量的實例來加強讀者對書
中方法的深度理解。
本書主要內容包括自然語言查詢中語義關系的識別、自然語言聚集查詢、SPARQL 和
關鍵詞相結合的自然語言查詢方法、關鍵詞聚集查詢。其中，第1 章介紹了研究背景及意
義、研究現狀、存在的關鍵問題；第2 章介紹了自然語言查詢和關鍵詞查詢相關的研究工
作和技術；第3 章介紹了基于眾包的自然語言查詢中語義關系識別規則的挖掘；第4 章介
紹了知識圖譜的自然語言聚集查詢；第5 章介紹了將SPARQL 查詢和關鍵詞查詢相結合的
知識圖譜的自然語言查詢方法；第6 章介紹了知識圖譜的關鍵詞聚集查詢方法；第7 章總
結了本書的基本工作，并指出未來的研究方向。
本書的出版得到了長江師范學院大數據與智能工程學院的資助，以及北京師范大學人
工智能學院眾多老師和同學的幫助，在此一并致謝。
由于作者水平有限，加之知識圖譜問答發展非常迅速，疏漏和不妥之處在所難免，殷
切希望廣大讀者批評指正。
著 者 |
內容簡介：知識圖譜的自然語言查詢和關鍵詞查詢是知識問答中較有前景的兩種知識圖譜查詢方式。知識圖譜是一種結構化的語義知識庫，以圖的方式展現“實體”、實體的“屬性”，以及實體與實體之間的“關系”。知識圖譜的自然語言查詢和關鍵詞查詢，使搜索引擎不僅能返回與查詢相關的網頁，而且能返回智能化的答案。本書介紹知識圖譜的自然語言查詢和關鍵詞查詢，包括自然語言查詢中的語義關系識別、自然語言聚集查詢、SPARQL 和關鍵詞相結合的自然語言查詢、關鍵詞查詢等。本書可供高等院校計算機、人工智能、大數據等相關專業研究生和高年級本科生參考閱讀，也可供知識工程領域的技術人員參考閱讀。 |
目錄：第1 章 緒論·································.1
1.1 研究背景及意義··················.1
1.2 研究現狀···························.3
1.2.1 知識圖譜自然語言查詢的
研究現狀························3
1.2.2 知識圖譜關鍵詞查詢的
研究現狀························4
1.3 存在的關鍵問題··················.5
1.4 研究內容及創新點···············.7
1.5 本書組織結構·····················10
第2 章 自然語言查詢和關鍵詞查詢的
相關研究···························12
2.1 知識圖譜的自然語言查詢······12
2.1.1 語義關系識別················.12
2.1.2 自然語言聚集查詢···········.13
2.1.3 查詢映射·····················.14
2.1.4 多樣化的自然語言查詢······.15
2.2 知識圖譜的關鍵詞查詢·········16
2.2.1 模式圖························.16
2.2.2 多樣化的關鍵詞查詢········.17
2.3 兩種查詢共用的基礎技術······19
2.3.1 實體識別和實體鏈接········.19
2.3.2 解釋詞典·····················.19
2.4 眾包—輔助語義關系識別規則
挖掘·································20
2.5 知識圖譜的其他非結構化
查詢方式···························21
2.5.1 交互式查詢···················.21
2.5.2 實例查詢和樣例查詢········.22
第3 章 基于眾包的自然語言查詢中
語義關系識別規則挖掘·········23
3.1 問題描述及創新點···············23
3.2 眾包模型···························24
3.2.1 迭代模型和并行模型········.25
3.2.2 迭代式并行模型和
并行式迭代模型·············.25
3.2.3 帶反饋的并行式迭代模型···.26
3.3 生成語義關系數據集和
依賴結構數據集··················27
3.3.1 眾包模型標記語義關系·····.27
3.3.2 Stanford Parser 生成依賴
結構··························.27
3.4 挖掘語義關聯規則···············28
3.4.1 挖掘語義關聯規則的算法···.28
3.4.2 算法MSAR 的復雜度·······.30
3.5 實驗結果及分析—眾包模型··31
3.5.1 實驗數據及評估標準········.31
3.5.2 迭代模型和并行模型········.32
3.5.3 迭代式并行模型和并行式
迭代模型·····················.33
3.5.4 帶反饋的并行式迭代模型···.35
3.6 實驗結果及分析—語義關聯
規則·································36
3.7 語義關系識別·····················38
3.7.1 語義關系識別的算法········.38
3.7.2 算法SRR 的復雜度··········.39
3.7.3 實驗結果及分析—語義關系
識別··························.39
3.8 本章小結···························40
第4 章 知識圖譜的自然語言聚集
查詢·································42
4.1 問題描述及創新點···············42
4.2 查詢流程···························45
4.3 查詢理解···························45
4.3.1 意圖解釋·····················.45
4.3.2 依賴結構分類················.46
4.3.3 從依賴結構中識別意圖解釋·.47
4.3.4 查詢理解的優化·············.49
4.3.5 算法AIII 的復雜度··········.49
4.4 構建基本圖模式··················50
4.4.1 擴展的解釋詞典ED ·········.50
4.4.2 短語映射·····················.51
4.4.3 謂詞-類型鄰近集PT ·········.51
4.4.4 謂詞-謂詞鄰近集PP ·········.53
4.4.5 語義關系映射················.53
4.4.6 算法SRM 的復雜度·········.55
4.4.7 構建基本圖模式BGP········.56
4.4.8 算法BBGP 的復雜度········.57
4.5 將基本圖模式翻譯為
SPARQL 語句·····················58
4.5.1 數值型謂詞···················.58
4.5.2 翻譯基本圖模式·············.59
4.5.3 翻譯聚集·····················.59
4.5.4 算法TA 的復雜度···········.61
4.6 實驗結果及分析··················61
4.6.1 實驗數據集···················.61
4.6.2 各階段的優化能力···········.61
4.6.3 算法的有效性················.63
4.6.4 與現有算法對比·············.65
4.6.5 回答錯誤的原因·············.66
4.7 相關問題及解決方案············67
4.8 本章小結···························69
第5 章 知識圖譜的自然語言查詢—
SPARQL 和關鍵詞··············70
5.1 問題描述及創新點···············70
5.2 查詢流程···························71
5.3 SPARQL 語句的生成過程······72
5.4 查詢分解···························73
5.4.1 查詢理解階段················.73
5.4.2 查詢映射階段················.74
5.4.3 執行SPARQL 階段··········.74
5.4.4 查詢分解算法················.75
5.4.5 算法DQ 的復雜度···········.76
5.5 構建關鍵詞索引··················77
5.5.1 算法QUKI ···················.77
5.5.2 算法QUKI 的復雜度········.78
5.6 聚合SPARQL 結果子圖和
關鍵詞查詢························78
5.6.1 算法CSK ····················.78
5.6.2 算法CSK 的復雜度·········.80
5.7 實驗結果及分析··················81
5.7.1 算法的有效性················.81
5.7.2 回答正確的原因·············.83
5.7.3 回答錯誤的原因·············.84
5.7.4 以SPARQL 查詢為主導的
優勢··························.85
5.7.5 關鍵詞索引的效率···········.85
5.8 本章小結···························86
第6 章 知識圖譜的關鍵詞聚集查詢···88
6.1 問題描述及創新點···············88
6.2 查詢流程···························90
6.3 構建類型-謂詞圖·················90
6.3.1 關系提取·····················.90
6.3.2 關系標準化··················.91
6.3.3 類型-謂詞圖··················.92
6.4 查詢理解···························92
6.5 基于類型-謂詞圖構建
查詢圖······························94
6.5.1 查詢圖························.94
6.5.2 構建查詢圖··················.94
6.5.3 算法BQG 的復雜度·········.99
6.6 將查詢圖翻譯為SPARQL
語句·································99
6.6.1 數值型謂詞···················.99
6.6.2 翻譯一般路徑················.99
6.6.3 翻譯聚集·····················100
6.6.4 算法TQGS 的復雜度········102
6.7 實驗結果及分析···············.102
6.7.1 算法的有效性················102
6.7.2 輸入的可擴展性·············104
6.7.3 數據集的可擴展性···········106
6.7.4 組件的有效性················106
6.8 本章小結························.108
第7 章 總結與展望·····················.109
7.1 總結······························.109
7.2 展望······························.111
參考文獻····································.112 |
| 序： |
|
