摘要:得益于信息化技术的快速发展和医疗信息系统的普及, 医学数据库中积淀了海量的医学事实, 如患者临床诊疗事件以及医学专家共识等. 如何从医学事实中提炼出知识, 进而对其管理和合理利用, 是推进诊疗自动化和智能化的关键. 知识图谱作为一种新型的知识表示工具, 能够有效地挖掘和组织大规模医学事实中的信息, 受到医疗领域从业人员的广泛关注. 然而, 现有医疗知识图谱普遍存在规模小、限制多、可扩展性差等问题, 面向医学事实的知识表达能力有限. 为此, 提出一种双层医疗知识图谱架构, 通过对英文患者诊疗事件和中文专家共识进行信息抽取, 构建得到一个跨语言、多模态、动态更新、可拓展性强的10亿级医疗知识图谱, 可提供更加精准的智能医疗服务.

摘要:近年来, 深度强化学习在序列决策领域被广泛应用并且效果良好, 尤其在具有高维输入、大规模状态空间的应用场景中优势明显. 然而, 深度强化学习相关方法也存在一些局限, 如缺乏可解释性、初期训练低效与冷启动等问题. 针对这些问题, 提出了一种基于显式知识推理和深度强化学习的动态决策框架, 将显式的知识推理与深度强化学习结合. 该框架通过显式知识表示将人类先验知识嵌入智能体训练中, 让智能体在强化学习中获得知识推理结果的干预, 以提高智能体的训练效率, 并增加模型的可解释性. 将显式知识分为两种, 即启发式加速知识与规避式安全知识. 前者在训练初期干预智能体决策, 加快训练速度; 而后者将避免智能体作出灾难性决策, 使其训练过程更为稳定. 实验表明, 该决策框架在不同强化学习算法上、不同应用场景中明显提高了模型训练效率, 并增加了模型的可解释性.

摘要:知识超图是一种使用多元关系表示现实世界的异构图,但无论在通用领域还是垂直领域,现有的知识超图普遍存在不完整的情况.因此,如何通过知识超图中已有的链接推理缺失的链接,是一个具有挑战性的问题.目前,大多数研究使用基于多元关系的知识表示学习方法完成知识超图的链接预测任务,但这些方法仅从时间未知的超边中学习实体与关系的嵌入向量,没有考虑时间因素对事实动态演变的影响,导致在动态环境中的预测性能较差.首先,根据首次所提出的时序知识超图定义,提出时序知识超图链接预测模型,同时从实体角色、位置和时序超边的时间戳中学习实体的静态表征和动态表征,以一定比例融合后作为实体嵌入向量用于链接预测任务,实现对超边时序信息的充分利用.同时,从理论上证明模型具有完全表达性和线性空间复杂度.此外,通过上市公司的公开经营数据构建时序知识超图数据集CB67,并在该数据集上进行了大量实验评估.实验结果表明,模型能够在时序知识超图数据集上有效地执行链接预测任务.

摘要:通用对弈游戏（general game playing，简称GGP）是致力于提高机器的通用游戏智能的研究领域.与专用游戏智能程序不同，GGP玩家直到游戏开始时才获得游戏规则，从而避免依赖于人类关于特定游戏的经验.GGP研究发展至今，已在游戏表示、搜索算法、状态估值等方面做了深入探索，并在知识迁移等方面做出了尝试.GGP研究的进展在一定程度上代表了通用人工智能的发展，因而是值得关注的.

摘要:动态描述逻辑DDL(dynamic description logic)提供了一种基于描述逻辑的动作理论,适用于语义Web 下对动态领域知识的刻画和推理.为了将分支时序逻辑的刻画能力引入到动态描述逻辑中,将时间的进展体现子动作的执行,从而将时序维与动态维统一起来.在此基础上,从描述逻辑ALCQIO出发构建了一个时序动态描辑TDALCQIO,给出了TDALCQIO 的Tableau 判定算法,并证明了算法的可终止性和正确性.TDALCQIO 不仅兼容了构描述逻辑ALCQIO 基础上的动态描述逻辑的刻画和推理能力,而且还可从可达性、安全性等角度对整个动态的时序特征进行刻画和推理,从而为语义Web 环境下对动态领域知识的刻画和推理提供了进一步的逻辑支持.

摘要:随着Internet规模的迅速扩大,复杂性和不确定性也随之增加,基于融合的网络态势感知必将成为网络管理的发展方向.在分析现有网络管理不足以及发展需求的基础上,介绍了网络态势感知的起源、概念、目标和特点.首先,提出了一个网络态势感知研究框架,介绍了研究历程,指出了研究重点以及存在的问题,并将现有评估方法分为3类:基于数学模型的方法、基于知识推理的方法、基于模式识别的方法.然后详细讨论了模型、知识表示和评估方法这3方面的研究内容,总结存在的共性问题,着重评价了每种评估方法的基本思路、评估过程和优缺点,并进行了对比分析.随后介绍了网络态势感知在安全、传输、生存性、系统评价等领域的应用研究.最后指出了网络态势感知的发展方向,并从问题体系、技术体系和应用体系3方面作了总结.

摘要:分析了一般术语公理下推理的主要难点:在模糊解释中的隶属度不是离散值,而是区间[0,1]上的连续值.为解决该难点,提出了模糊描述逻辑FALCN下的模糊解释离散化方法,从而使解释中的隶属度都属于一个特殊的有限离散集合.基于该离散化方法,给出一般术语公理下FALCN推理问题的离散Tableau推理技术,包括离散Tableau的定义以及离散Tableau的构造算法,并证明了算法的正确性、完备性和复杂度.

摘要:语义Web模糊知识的表示和应用常常涉及模糊隶属度比较,但现有描述逻辑的模糊扩展缺乏描述模糊隶属度比较的能力.提出支持模糊隶属度比较和描述逻辑ALCN(attributive concept description language with complements and number restriction)概念构造子的扩展模糊描述逻辑FCALCN(fuzzy comparable ALCN).FCALCN引入新的原子概念形式以支持模糊隶属度比较.给出FCALCN的推理算法,证明了在空TBox约束下FCALCN的推理问题复杂性是多项式空间完全的.FCALCN能够表达语义Web上涉及模糊隶属度比较的复杂模糊知识并实现对它们的推理.

摘要:扩展模糊描述逻辑是对描述逻辑的一种模糊扩展,支持对复杂模糊知识的表示和推理,但该逻辑缺乏支持术语公理约束的推理算法.提出扩展模糊描述逻辑EFALCR+(extended fuzzy attributive concept description language with complements and transitive roles)的受限TBox(terminological box)描述术语公理,给出受限TBox约束下的EFALCR+推理算法,并对该算法进行优化,证明优化后的算法是正确完备的,时间复杂性不超过指数,最后证明受限TBox约束下的EFALCR+推理问题是指数时间完全问题.优化算法的最坏时间复杂性已达到该问题推理算法的复杂度下界,是实现术语公理约束下模糊知识库推理的有效算法.

摘要:扩展模糊描述逻辑EFALCN(extendedfuzzy attributive concept descriptionlanguage with complements and unqualified number restriction)是支持数量约束的描述逻辑ALCN的模糊扩展,但该逻辑的推理问题缺乏相应的算法和复杂性证明.提出EFALCN推理问题基于约束传播的Tableau算法,并证明该算法可在PSPACE(polynomial space)约束下执行.由ALCN(attributive concept descriptionlanguage with complements and unqualified number restriction)的推理问题可多项式时间归约到EFALCN推理问题,且ALCN的推理问题是PSPACE-complete问题.所以,EFALCN推理问题是PSPACE-hard问题.综上所述,EFALCN推理问题是PSPACE-complete问题.