摘要：多模态数据间交互式任务的兴起对于综合利用不同模态的知识提出了更高的要求,因此融合不同模态知识的多模态知识图谱应运而生.然而,现有多模态知识图谱存在图谱知识不完整的问题,严重阻碍对信息的有效利用.缓解此问题的有效方法是通过实体对齐进行知识图谱补全.当前多模态实体对齐方法以固定权重融合多种模态信息,在融合过程中忽略不同模态信息贡献的差异性.为解决上述问题,设计一套自适应特征融合机制,根据不同模态数据质量动态融合实体结构信息和视觉信息.此外,考虑到视觉信息质量不高、知识图谱之间的结构差异也影响实体对齐的效果,本文分别设计提升视觉信息有效利用率的视觉特征处理模块以及缓和结构差异性的三元组筛选模块.在多模态实体对齐任务上的实验结果表明,提出的多模态实体对齐方法的性能优于当前最好的方法.

摘要：实体对齐是知识融合的一个重要步骤,其目的在于识别不同知识图谱中的等价实体。为准确判断出对等的实体,现有方法首先进行表示学习,将实体映射到低维向量空间中,接着通过向量间的相似度推断实体的等价性。而近期实体对齐的相关工作也大都聚焦于表示学习方法的改进上。为了能够更好地理解这些模型的机理,挖掘有价值的设计思路,并为后续的优化改进工作提供参考,对实体对齐表示学习方法进行了研究综述。首先基于现有方法,提出了一个通用的表示学习框架,并用该框架对几个具有代表性的工作进行了归纳概括以及分析解构。接着通过实验对这些工作进行了对比分析,并对框架中各个模块的常见方法进行了比较。根据实验结果,总结了各种方法的优劣,并提出了使用建议。最后初步讨论了大规模语言模型与知识图谱对齐融合的可行性,并分析了存在的问题以及潜在的挑战。

摘要：针对现有模型无法充分理解上下文和同时解决不同类型文本主题句自动生成以及生成重复内容的难题,对一种融合关键信息的PGN文本主题句生成方法进行研究。融合句子情感倾向加权特征和TextRank迭代算法筛选关键句;根据不同文本类型进行参数自动配置,利用BERT预训练语言模型对获取的关键句进行向量化表征并输入到融合coverage复制机制的指针生成网络模型中生成主题句;采用后处理技术对生成的主题句内容和长度进行检测与修正得到最终主题句。在公开数据集LCSTS上的实验结果表明,所提模型可以更充分地理解原文并有效减少重复内容的生成,它的Rouge-1和Rouge-L值均高于基线模型。

摘要：事件检测是一项复杂的信息获取任务,在纯文本事件抽取中起着至关重要的作用.实际情况下,由于数据稀疏和自然语言的歧义性,事件检测任务面领着巨大的挑战.针对这些挑战,从先前工作利用一种额外的语言信息作为数据增强之中获得启发,本研究提出从多种自动翻译得到的多语言文本中挖掘互补信息,从而在一定程度上缓解数据稀疏和自然语言歧义的问题.为此,本研究设计实现了一种混合注意力神经网络模型HAN(hybrid attention network),其中的混合注意力模块通过一个上下文注意力机制和一个多语言注意力机制来实现从多种语言的信息中挖掘互补线索.实验在两个基准数据集上进行,结果证明了HAN模型在事件检测任务上的性能明显优于其他现有的模型.