知识获取与知识计算_20201027_1_070

简介：
《知识获取与知识计算》探讨了在大数据时代背景下，如何高效地从海量信息中提取和处理有用的知识，以支持决策制定、模式识别及智能系统开发等方面的应用。 知识获取与知识计算是人工智能领域中的重要组成部分，主要涉及从海量数据中提取有用的信息，并进行有效的处理和推理。在本讲座中，我们将探讨三个关键主题：知识获取、知识融合以及知识推理与计算。 首先来看知识获取，它是知识工程的基础，其目的是识别出非结构化文本或数据源中有意义的信息，例如实体和关系等。其中，实体抽取是重要任务之一，它涉及从文本中提取具有特定含义的名词短语如人名、组织名称及地点等信息。在该过程中需要完成两个子任务：一是确定文本中的名词是否为某种类型的实体；二是将这些识别出的实体分配到预定义类别内。 对于这一过程而言，有两种常见的方法被广泛应用：基于规则与字典的方法和基于机器学习的技术。前者依赖于人工制定的具体规则及词汇表，在准确度方面表现出色但需要大量的人工干预，并且难以适应复杂多变的语言环境；后者则通过深度学习等技术自动提取特征并提高抽取的准确性，例如隐马尔科夫模型（HMM）、条件随机场（CRF）以及近年来发展的各类方法。其中，HMM利用马尔可夫假设预测最有可能出现的标注序列；而线性链CRF能够更好地考虑上下文信息，并避免了“标签偏置”问题，在实体识别任务中表现更优。 接下来是知识融合环节，它旨在整合来自不同来源的知识以构建更加全面的知识图谱。这一过程通常包含数据清洗、去重、一致性检查及冲突解决等步骤。 最后我们要讨论的是知识推理与计算，这是将获取和融合后的信息应用于实际问题的核心技术之一。例如，在基于知识图谱的关系推理中可以发现实体之间的隐含关系；而知识计算可能涉及量化分析、更新以及优化查询等方面的内容。 综上所述，无论是构建智能系统还是推动人工智能的进步，都离不开对知识获取与知识计算这两项关键技术的应用和发展。随着深度学习等先进技术的发展，这一领域将继续迎来新的突破和创新。