语义表征

摘要： 知识库问答依靠知识库推断答案,需要大量带标注信息的问答对,但构建大规模且精准的数据集不仅代价昂贵,还受领域等因素限制。为缓解数据标注问题,面向知识库的问题生成任务引起了研究者关注,该任务的特点是利用知识库三元组自动生成问题,但现有方法仅由一个三元组生成的问题过于简短,且缺乏多样性。为生成信息量丰富且多样化的问题,该文采用Graph Transformer和BERT两个编码层来加强三元组多粒度语义表征以获取背景信息,在SimpleQuestions数据集上的实验结果证明了该方法的有效性。

摘要： 知识库问答(Knowledge Base Question Answering,KBQA)借助知识库中精度高、关联性强的结构化知识,为给定的复杂事实型问句提供准确、简短的答案.语义解析是知识库问答的主流方法之一,该类方法在给定的问句语义表征形式下,将非结构化的问句映射为结构化的语义表征,再将其改写为知识库查询获取答案.目前,面向知识库问答的语义解析方法主要面临三个挑战:首先是如何选择合适的语义表征形式以表达问句的语义,然后是如何解析问句的复杂语义并输出相应的语义表征,最后是如何应对特定领域中数据标注成本高昂、高质量数据匮乏的问题.本文从上述挑战出发,分析了知识库问答中常用的语义表征的特点与不足,然后梳理现有方法并总结分析其如何应对问句的复杂语义,接着介绍了当前方法在标注数据匮乏的低资源场景下的尝试,最后展望并讨论了面向知识库问答的语义解析的未来发展方向.

摘要： 针对编解码网络在病灶区域纹理复杂、边界模糊、与周围组织的对比度低以及背景噪声干扰等复杂医学图像的特征提取中鲁棒性较弱,导致病灶区域分割精度较低的问题,提出一种基于多尺度语义表征的医学图像分割网络.首先,通过多尺度上下文感知模块增强不同尺度上下文的表征能力;其次,通过计算相邻层间的特征差异,突出不同层间语义特征的差异性,减少特征信息冗余;最后,通过混合注意力模块增强病灶区域的边界信息和网络对复杂特征的语义感知能力.实验结果表明,该网络在复杂医学图像分割中分割精度较高,并具有较强的鲁棒性.

摘要： 场景图像分割一直是机器视觉学习中较为复杂的重难点问题.本文在机器视觉注意力机制学习方法的基础上,融合人类对事物个体的认知,提出场景对象的Focus+Context语义表征,将对象类别信息带入图像底层特征学习中,运用概率统计理论,在抽象层上建模局部区域对象,再联合上下文语义信息推理全局与局部区域对象之间的关系,以实现类内焦点对象(Focus)突出的场景语义分割.实验验证,基于Focus+Context的语义表征和建模能够增加对象的识别率,尤其是在小样本环境下,所提出的方法能极大地简化场景的理解.

摘要： 伪平行句对抽取是缓解汉-越低资源机器翻译中数据稀缺问题的关键任务,同时也是提升机器翻译性能的重要手段.传统的伪平行句对抽取方法都是基于语义相似性度量,但是传统基于深度学习框架的语义表征方法没有考虑不同词语语义表征的难易程度,因此导致句子语义信息不充分,提取到的句子质量不高,噪声比较大.针对此问题,该文提出了一个双向长短期记忆网络加语义自适应编码的语义表征网络框架,根据句子中单词表征难易的不确定性,引导模型使用更深层次的计算.具体思路为:首先,对汉语和越南语句子进行编码,基于句子中单词语义表征的难易程度,自适应地进行表征,深度挖掘句子中不同单词的语义信息,实现对汉语和越南语句子的深度表征;然后,在解码端将深度表征的向量映射到统一的公共语义空间中,最大化表示句子之间的语义相似度,从而提取更高质量的汉-越伪平行句子.实验结果表明,相比于基线模型,该文提出的方法在F1得分上提升5.09％,同时将提取到的句子对用于训练机器翻译模型,实验结果表明翻译性能的显著提升.

摘要： 采用不平衡维汉双语者,以分类学关联词为材料,运用翻译启动语义归类任务,考察了维汉双语者语义表征的特点。结果表明:从L1维语到L2汉语的启动效应要大于从L2到L1的启动效应,出现了显著的翻译启动效应,并且这种启动效应是非对称的。对翻译对等词而言, 被试对L1词汇的意义掌握得多, 对L2词汇的意义掌握得少, 表现出概念表征的非对称性。这种非对称性会引起翻译启动效应的非对称性,符合意义模型。

摘要： 近义名量词与表量物象搭配时的可替换功能常常受到认知因素的影响,其中,属于认知范畴的象似性和引得性,分别从性质的联结、时空的比邻将符号与所指对象相关联.从认知语言学的角度出发,关联同样适用于名量组合的替换,具体来讲,即近义名量词内部、近义名量词与表量物象间分别存在象似性、引得性,且两种关系相互关联,对对外汉语的量词教学同样有所启发.

摘要： "洗白"由动词和颜色形容词构成,"白"在此结构中作为"洗"的结果补语,像这类"V+C(补语)"的结构叫动补式.研究发现,这类构式的意义不是动词和颜色词的简单相加,其不仅在语义上表达出"致使"结果,而且在语用层面也蕴含着说话人的特定情感.这类构式的构建和理解是人类基于自身的体验和与客观物质世界互动的结果.随着社会发展的需要,特别是网络的发展,像"洗白""抹黑""扫黄"这样的一些词使用频率越来越高,逐渐呈现出词汇化的趋势.

摘要： 目的：通过研究脑损伤病人在颜色知识属性判断(考查被试加工物体颜色知识的能力)和运动知识属性判断(考察被试加工物体运动知识的能力)的分离，探讨物体颜色知识和运动知识在大脑中的表征关系。rn 方法：被试为39例脑损伤病人和39例正常对照组，对他们进行了颜色知识属性判断测验和运动知识属性判断测验。对他们的数据进行了群组分析和个体分析，以考察两个任务间的相关性和分离性。rn 结果：群组分析发现病人在这两个任务上的正确率显著正相关;个体分析发现其中5名病人在颜色知识属性判断上的成绩显著好于运动知识属性判断，而另外5名病人在运动知识属性判断上的成绩显著好于颜色知识属性判断，两组被试的行为表现构成了双分离模式。rn 结论：物体的颜色知识和运动知识在大脑中存在相对独立的表征，这为大脑中概念知识的分布式表征提供了新的证据。

摘要： 目的：通过研究脑损伤病人在颜色知识属性判断(考查被试加工物体颜色知识的能力)和运动知识属性判断(考察被试加工物体运动知识的能力)的分离，探讨物体颜色知识和运动知识在大脑中的表征关系。rn 方法：被试为39例脑损伤病人和39例正常对照组，对他们进行了颜色知识属性判断测验和运动知识属性判断测验。对他们的数据进行了群组分析和个体分析，以考察两个任务间的相关性和分离性。rn 结果：群组分析发现病人在这两个任务上的正确率显著正相关;个体分析发现其中5名病人在颜色知识属性判断上的成绩显著好于运动知识属性判断，而另外5名病人在运动知识属性判断上的成绩显著好于颜色知识属性判断，两组被试的行为表现构成了双分离模式。rn 结论：物体的颜色知识和运动知识在大脑中存在相对独立的表征，这为大脑中概念知识的分布式表征提供了新的证据。

摘要： 目的：通过研究脑损伤病人在颜色知识属性判断(考查被试加工物体颜色知识的能力)和运动知识属性判断(考察被试加工物体运动知识的能力)的分离，探讨物体颜色知识和运动知识在大脑中的表征关系。rn 方法：被试为39例脑损伤病人和39例正常对照组，对他们进行了颜色知识属性判断测验和运动知识属性判断测验。对他们的数据进行了群组分析和个体分析，以考察两个任务间的相关性和分离性。rn 结果：群组分析发现病人在这两个任务上的正确率显著正相关;个体分析发现其中5名病人在颜色知识属性判断上的成绩显著好于运动知识属性判断，而另外5名病人在运动知识属性判断上的成绩显著好于颜色知识属性判断，两组被试的行为表现构成了双分离模式。rn 结论：物体的颜色知识和运动知识在大脑中存在相对独立的表征，这为大脑中概念知识的分布式表征提供了新的证据。

摘要： 目的：通过研究脑损伤病人在颜色知识属性判断(考查被试加工物体颜色知识的能力)和运动知识属性判断(考察被试加工物体运动知识的能力)的分离，探讨物体颜色知识和运动知识在大脑中的表征关系。rn 方法：被试为39例脑损伤病人和39例正常对照组，对他们进行了颜色知识属性判断测验和运动知识属性判断测验。对他们的数据进行了群组分析和个体分析，以考察两个任务间的相关性和分离性。rn 结果：群组分析发现病人在这两个任务上的正确率显著正相关;个体分析发现其中5名病人在颜色知识属性判断上的成绩显著好于运动知识属性判断，而另外5名病人在运动知识属性判断上的成绩显著好于颜色知识属性判断，两组被试的行为表现构成了双分离模式。rn 结论：物体的颜色知识和运动知识在大脑中存在相对独立的表征，这为大脑中概念知识的分布式表征提供了新的证据。

摘要： 目的：通过研究脑损伤病人在颜色知识属性判断(考查被试加工物体颜色知识的能力)和运动知识属性判断(考察被试加工物体运动知识的能力)的分离，探讨物体颜色知识和运动知识在大脑中的表征关系。rn 方法：被试为39例脑损伤病人和39例正常对照组，对他们进行了颜色知识属性判断测验和运动知识属性判断测验。对他们的数据进行了群组分析和个体分析，以考察两个任务间的相关性和分离性。rn 结果：群组分析发现病人在这两个任务上的正确率显著正相关;个体分析发现其中5名病人在颜色知识属性判断上的成绩显著好于运动知识属性判断，而另外5名病人在运动知识属性判断上的成绩显著好于颜色知识属性判断，两组被试的行为表现构成了双分离模式。rn 结论：物体的颜色知识和运动知识在大脑中存在相对独立的表征，这为大脑中概念知识的分布式表征提供了新的证据。

摘要： 本发明属于文本语义处理技术领域，具体为一种基于语义空间映射的语义关系表征、聚类及识别的方法和系统。本发明对于待抽取关系的实体对：首先对包含二者的语句进行语法依存分析；然后将分析结果视作Graph，并计算Graph中对应这两个实体的结点间最短路径，来抽取出实体间关系；继而将路径上的词语向语义空间投影并进行累积，获得该关系在语义空间上的向量表示；对于多组实体对的场景，使用聚类方法对关系进行聚类并构建关系模型；依据表征输入实体对间关系的语义向量与关系模型之间的语义相似度实现关系的识别。本发明克服了传统方法在进行实体间关系比较时对词语变形、同义词变化、语法形式变化等因素敏感的缺点，提高了关系比较准确性和处理的灵活性。

摘要： 本发明属于文本语义处理技术领域，具体为一种基于语义空间映射的语义关系表征、聚类及识别的方法和系统。本发明对于待抽取关系的实体对：首先对包含二者的语句进行语法依存分析；然后将分析结果视作Graph，并计算Graph中对应这两个实体的结点间最短路径，来抽取出实体间关系；继而将路径上的词语向语义空间投影并进行累积，获得该关系在语义空间上的向量表示；对于多组实体对的场景，使用聚类方法对关系进行聚类并构建关系模型；依据表征输入实体对间关系的语义向量与关系模型之间的语义相似度实现关系的识别。本发明克服了传统方法在进行实体间关系比较时对词语变形、同义词变化、语法形式变化等因素敏感的缺点，提高了关系比较准确性和处理的灵活性。

摘要： 本发明涉及到一种基于图表征学习和深度语义匹配模型的个性化推荐方法，该方法包括如下步骤：第一步，数据准备；第二步，图表征向量生成；第三步，用户兴趣序列特征向量生成；第四步，用户和物品的静态属性向量生成，形成DSSM双塔模型；第五步，基于XGBoost进行模型的训练和预测，最终按照分值大小排序选取TopK作为最终的推荐结果；还包括有一种基于图表征学习和深度语义匹配模型的个性化推荐系统。本发明的推荐排序方法提出Node2Vec、DSSM、XGBOOST融合推荐的方法，保证推荐的精度和用户满意度，同时有效缓解用户和物品的冷启动问题，具有更高效的模型训练、更好的可移植性和灵活性，支持分布式快速处理海量数据，为推荐系统的实时性和稳定性奠定基础。

摘要： 本发明提出一种基于多级语义表征和语义计算的语义识别方法，主要解决现有技术用对信号语义识别可解释性差和泛化能力低的问题。其实现方案为：获取训练集和测试集；构建由级联的多级语义表征网络和语义计算网络组成的信号语义识别网络，以对信号进行可学习的多层级语义表征，并根据语义表征计算信号的语义类别；设置语义表征损失函数和交叉熵损失函数对多级语义表征网络和语义计算网络依次进行训练，得到训练好的信号语义识别网络；基于训练好的信号语义识别网络获取待识别信号的语义识别结果。本发明有效提高了信号语义识别的可解释性和泛化能力。可以用于人机交互、语义信息检索。

摘要： 本发明公开了一种基于网络表征和语义表征的同名作者消歧方法。本方法为：1)提取目标论文库中各论文的语义特征和离散特征；2)基于离散特征计算各论文间的相似度，得到论文的关系相似性矩阵；如果一论文与其他论文没有共同作者或机构，则将其加入一离群论文集中；3)基于各论文的所述语义特征计算论文的语义相似度矩阵；将目标论文库中不包含语义特征的论文加入离群论文集中；4)将关系相似性矩阵和语义相似度矩阵加权求和，获得论文相似度矩阵并对其进行聚类；将不属于任何簇的论文加入离群论文集中；5)利用基于相似度阈值匹配的方法将离群论文集中的论文分配到对应的簇中。本发明实现高准确率的论文同名作者的消歧。

摘要： 本发明提出一种基于多级语义表征和语义计算的语义识别方法，主要解决现有技术用对信号语义识别可解释性差和泛化能力低的问题。其实现方案为：获取训练集和测试集；构建由级联的多级语义表征网络和语义计算网络组成的信号语义识别网络，以对信号进行可学习的多层级语义表征，并根据语义表征计算信号的语义类别；设置语义表征损失函数和交叉熵损失函数对多级语义表征网络和语义计算网络依次进行训练，得到训练好的信号语义识别网络；基于训练好的信号语义识别网络获取待识别信号的语义识别结果。本发明有效提高了信号语义识别的可解释性和泛化能力。可以用于人机交互、语义信息检索。

摘要： 本发明公开了一种基于网络表征和语义表征的同名作者消歧方法。本方法为：1)提取目标论文库中各论文的语义特征和离散特征；2)基于离散特征计算各论文间的相似度，得到论文的关系相似性矩阵；如果一论文与其他论文没有共同作者或机构，则将其加入一离群论文集中；3)基于各论文的所述语义特征计算论文的语义相似度矩阵；将目标论文库中不包含语义特征的论文加入离群论文集中；4)将关系相似性矩阵和语义相似度矩阵加权求和，获得论文相似度矩阵并对其进行聚类；将不属于任何簇的论文加入离群论文集中；5)利用基于相似度阈值匹配的方法将离群论文集中的论文分配到对应的簇中。本发明实现高准确率的论文同名作者的消歧。

摘要： 本发明公开了一种跨模态隐私语义表征方法、装置、设备及存储介质，涉及数据处理技术领域，方法包括：获取多模态数据；根据多模态数据，获得对应的文本数据；对文本数据进行关键词提取和加密，得到密态关键词；根据密态关键词，对预设知识图谱进行分割，得到密态子图；对密态子图进行图嵌入，得到与密态关键词对应的密态表征向量，以得到多模态数据的语义表征结果。本发明解决了现有技术中存在密态关键词之间的语义关联性较差的问题，实现了不仅可以保证密态关键词之间的语义关联，还可以为后续进行隐私语义的检索提供准确的语义表征的效果。

摘要： 本发明属于图像分类领域，提供了一种基于跨模态语义表征学习和融合的图像分类方法及系统，包括将获取的图像编码为视觉表征；将获取的图像编码为视觉表征；采用部分异构迁移算法从视觉表征学习与分类紧密相关的视觉分类表征；基于视觉表征，通过跨模态语义信息推理得到跨模态的语义信息推理结果，采用类感知信息选择算法对跨模态的语义信息推理结果计算高阶语义表征；融合视觉分类表征和高阶语义表征生成融合表征，基于融合表征进行图像识别分类；本发明通过表征对齐和跨模态推理提升模型表征学习，能够与常用的视觉识别方法ResNet、ATNet等相结合，在多模态数据有限的条件下有效提升模型的识别准确率。

摘要： 本发明公开了一种基于语义融合表征的轨迹预测方法，包括：利用轨迹数据预处理方法，去除误差点和冗余点，并采用滑动窗口的对轨迹数据进行划分，形成带标签的轨迹序列；结合车辆的经纬度信息、时间信息、速度信息和方向信息，进行多维轨迹融合向量表征；利用自动编码器学习轨迹序列的深度特征，结合轨迹序列的原始特征，共同构建轨迹序列的语义表征；基于transformer的轨迹预测方法，通过多头自注意力机制和基于掩码的自注意力方法，学习轨迹间的相关性，进而实现轨迹的预测。该方法能够更好地预测汽车在未来时间的位置和区域分布，提高预测车辆轨迹的准确性，使得驾驶员能够提前做出改变出行时间或出行轨迹，避免交通拥堵。