-
题名语义信息提取和图结构挖掘的事件骨架生成方法
- 1
-
-
作者
黄凯
马廷淮
孙圣杰
龚智恒
汤毅翔
陈思
-
机构
南京信息工程大学软件学院
江苏海洋大学计算机工程学院
南京信息工程大学计算机学院、网络安全学院
南京信息工程大学人工智能学院(未来技术学院)
-
出处
《计算机工程与应用》
北大核心
2025年第12期187-195,共9页
-
基金
国家自然科学基金(62102187,62372243)
江苏省自然科学基金(基础研究计划)(BK20210639)。
-
文摘
事件骨架生成旨在从一系列的事件图中归纳出包含事件类型及其时序关系的事件骨架图。这是在时间复杂事件模式归纳任务中的一个核心步骤。尽管现有的方法在这项任务上已经取得了一定的效果,但是由于事件图的复杂性和多变性,这些方法在挖掘事件图的结构信息和语义信息方面仍显不足。因此,为解决该问题,提出了一种事件骨架生成模型。在图编码阶段,模型使用了拉普拉斯位置编码,以精准捕捉和编码图结构的局部信息。同时,模型采用了多头注意力机制和图卷积网络,以提取语义信息和图结构信息,全面总结事件发展的全局结构信息,构建出更泛化、更全面的事件骨架图。实验证明,在事件骨架生成任务上,该模型在Event Match指标上提升了8.83%,Event Sequence Match指标上提升了11.2%(L=2)和7.6%(L=3),实现了较大的性能提升。
-
关键词
事件模式归纳
事件骨架生成
图生成
语义信息提取
图结构挖掘
-
Keywords
event schema induction
event skeleton generation
graph generation
semantic information extraction
graph structure mining
-
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
-
-
题名基于先验知识图谱的多代理被遮挡目标类别推理模型
- 2
-
-
作者
荣欢
钱敏峰
马廷淮
孙圣杰
-
机构
南京信息工程大学人工智能学院(未来技术学院)
南京信息工程大学计算机学院、网络安全学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第1期243-252,共10页
-
基金
国家自然科学基金(62102187)
江苏省自然科学基金(基础研究计划)(BK20210639)
国家重点研发计划(2021YFE0104400)。
-
文摘
目标检测(Object Detection)是计算机视觉中最为热门的方向之一,在军事、医疗等重要领域都有广泛运用。然而,大多数目标检测模型都只能对可见物体进行识别,日常生活中的图片往往存在被遮挡(不可见)的目标物体,现有目标检测模型对图片中的被遮挡目标难以表现出较理想的检测性能。为此,文中提出了一种基于图库先验知识图谱的多代理协作式图片被遮挡目标类别推理模型(IMG-KGR-MAC)。具体而言,1)IMG-KGR-MAC根据给定图库中所有图片的可见目标及其之间的位置关系构建全局先验知识图谱;同时,根据图片自身所含目标及其位置关系,为各图片分别建立图片知识图谱;各图片内被遮挡目标的信息均不计入全局先验知识图谱和图片自身知识图谱;2)采用DDPG(Deep Deterministic Policy Gradient)深度强化学习思想,构建两个相互协作的代理;代理1根据当前图片语义信息从全局先验知识图谱挑选出与被遮挡目标最为适配的“类别标签”,将其作为新实体节点加入到给定图片自身的知识图谱中;代理2根据代理1新加入的实体,从全局先验知识图谱中进一步挑选〈实体,关系〉,扩展与新实体节点相关联的图谱结构;3)代理1与代理2通过共享任务环境和在奖励值上建立通信,相互协作地按“图片被遮挡目标(实体)→关联图谱结构”以及“关联图谱结构→图片被遮挡目标(实体)”原理,开展正向与反向推理,从而有效估计出给定图片被遮挡目标最为可能的类别标签。实验结果表明,与现有相关方法相比,所提出的IMG-KGR-MAC模型可以学习到给定图片被遮挡目标与全局先验知识图谱之间的语义关系,有效克服了现有模型对被遮挡目标难以检测的弊端,对于被遮挡目标有良好的推理能力,在MR(Mean Rank)以及mAP(Mean Average Precision)等多项指标上都有超过20%的提升。
-
关键词
知识图谱推理
图片目标检测
多代理强化学习
DDPG
-
Keywords
Knowledge graph reasoning
Image object detection
Multi-agent Reinforcement Learning
DDPG
-
分类号
TP319.1
[自动化与计算机技术—计算机软件与理论]
-
