声明
摘要
第一章绪论
1.1课题研究背景和意义
1.2研究现状
1.2.1知识图谱的构建
1.2.2基于知识图谱的相关应用
1.2.3基于知识图谱的人工智能可解释性
1.2.4多任务强化学习
1.3课题研究内容
1.3.1自动化知识图谱构建
1.3.2基于知识图谱推理的多任务强化学习
1.4论文组织结构
第二章基本理论
2.1马尔可夫决策过程和贝尔曼方程
2.2策略梯度
2.2.1随机策略梯度
2.2.2确定性策略梯度
2.3 actor-critic算法框架
2.4多任务强化学习
2.5注意力机制
2.6本章小结
第三章带有注意力的双向序列和树结构LSTM的语义关系抽取
3.1动机
3.1.1既有方法存在的问题
3.1.2提出方法的优势
3.2先决条件
3.3整体框架
3.3.1双向树结构LSTM
3.3.2双向序列LSTM
3.3.3注意力机制
3.3.4归一化
3.3.4模型架构
3.4实验
3.4.1数据集统计描述
3.4.2评价指标
3.4.3训练技巧
3.4.3实验细节
3.4.4实验结果及分析
3.5本章小结
第四章基于actor-critic的自动分类法归纳
4.1动机
4.1.1既有方法存在的问题
4.1.2基于actor-critic的自动分类法归纳
4.2先决条件
4.3整体框架
4.3.1问题的形式化
4.3.2模型架构
4.4实验
4.4.1实验细节
4.4.2实验结果及分析
4.4.3消融分析
4.5本章小结
第五章基于知识图谱推理的多任务强化学习
5.1基于知识图谱的多任务
5.1.1知识图谱补全
5.1.2基于知识图谱的智能问答
5.1.3基于知识图谱的个性化推荐
5.2知识模型
5.3问题形式化
5.4基于actor-critic的多任务强化学习框架
5.4.1模型架构
5.4.2基于Pytorch-BigGraph的分布式知识图谱表示
5.4.3基于actor的通用推理层
5.4.4基于critic的特定任务评价器
5.5实验
5.5.1数据集统计描述
5.5.2评价指标
5.5.3实验细节
5.5.4实验结果及分析
5.6本章小结
第六章总结与展望
6.1总结
6.2展望
参考文献
致谢
研究成果及发表的学术论文
作者和导师简介
北京化工大学;