-
题名反绎学习支持下的自动问答及其应用
- 1
-
-
作者
张鹏
郝国生
王霞
许文阳
祝义
-
机构
江苏师范大学计算机科学与技术学院
江苏省思维驱动智能研究院
-
出处
《计算机工程与应用》
CSCD
北大核心
2024年第17期139-147,共9页
-
基金
国家自然科学基金(62277030)
国家自然科学基金面上项目(62077029)
江苏省研究生科研与实践创新计划(SJCX24_1525)。
-
文摘
自动问答技术可以为用户提供快速且准确的信息检索和问题解答服务。然而,目前常见方法生成的答案存在不准确和不完整的问题,以及实体识别和关系抽取效果不准确,且答案不够自然。为此,提出基于反绎学习的自动问答方法,使用基于知识图谱的问答推理优化基于生成的问答,进一步从整体的反绎学习框架角度来优化实体识别和关系抽取方法,并将所提方法应用于《数据结构》课程的学习。结果表明,基于反绎学习的自动问答方法,可以改进基于生成的问答和基于知识图谱的问答两者的不足,提高问答系统的准确性。
-
关键词
自动问答
反绎学习
知识图谱问答
生成式问答
-
Keywords
automatic question and answering(QA)
abductive learning
knowledge graph QA
generative QA
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名带拒绝推理的反绎学习方法
- 2
-
-
作者
黄宇轩
姜远
-
机构
计算机软件新技术全国重点实验室(南京大学)
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2024年第7期1791-1798,共8页
-
基金
国家自然科学基金项目(62176117)。
-
文摘
近年来,许多研究工作致力于将数据驱动的机器学习和知识驱动的逻辑推理相结合,以提高机器学习的性能.其中,不少工作尝试利用反绎推理,将机器学习与逻辑推理融合到一个框架中.这些方法通过机器学习模型生成伪标记,然后利用反绎推理来修正不一致的伪标记,以更新机器学习模型并多次迭代.然而,反绎中可能会存在错误标记,这些标记会对模型训练产生负面影响且难以被发现.因此提出一种带拒绝推理的反绎学习方法,它同时考虑反绎标记的模型不确定性和推理不确定性,从数据层面和知识层面综合评估反绎结果的可靠性,并通过拒绝部分反绎推理结果来避免不可靠的反绎标记对模型训练的负面影响.实验表明,提出的方法可以减少错误反绎标记的比例、加速反绎学习的训练并带来更好的性能.
-
关键词
反绎学习
机器学习
逻辑推理
反绎推理
神经符号学习
-
Keywords
abductive learning
machine learning
logical reasoning
abductive reasoning
neuro-symbolic learning
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于反绎学习的裁判文书量刑情节识别
被引量：3
- 3
-
-
作者
李锦烨
黄瑞章
秦永彬
陈艳平
田小瑜
-
机构
贵州大学计算机科学与技术学院
公共大数据国家重点实验室(贵州大学)
-
出处
《计算机应用》
CSCD
北大核心
2022年第6期1802-1807,共6页
-
基金
国家自然科学基金资助项目(62066008)
贵州省科学技术基金重点项目(黔科合基础[2020]1Z055)。
-
文摘
针对司法领域标记数据匮乏、标注质量不高、存在强逻辑性导致裁判文书量刑情节识别效果不佳的问题,提出一种基于反绎学习的量刑情节识别模型ABL-CON。首先结合神经网络与领域逻辑推理,通过半监督学习方法,使用置信学习方法表征情节识别置信度;然后修正无标签数据经过神经网络产生的不合逻辑的错误情节,重新训练识别模型,以提高识别精度。在自构建的司法数据集上的实验结果表明,使用50%标注数据与50%无标注数据的ABL-CON模型在Macro_F1值和Micro_F1值上分别达到了90.35%和90.58%,优于同样条件下的BERT和SS-ABL,也超越了使用100%标注数据的BERT模型。ABL-CON模型通过逻辑反绎修正不符合逻辑的标签能够有效提高标签的逻辑合理性以及标签的识别能力。
-
关键词
量刑情节识别
半监督学习
多标签分类
反绎学习
置信学习
-
Keywords
sentencing circumstance recognition
semi-supervised learning
multi-label classification
abductive learning
confidence learning
-
分类号
TP391.1
[自动化与计算机技术—计算机应用技术]
-
