检索结果-内蒙古大学图书馆

中国科学:信息科学 2025年第1期55卷 1-31页

作者：李泽南姚远马晓星吕建南京大学计算机软件新技术全国重点实验室南京210023 南京大学计算机学院南京210023

作为一种智能化软件形态,融合了神经网络和符号规则的神经符号系统正受到越来越多的关注,相关研究爆炸性增长.然而,现有技术仍然难以有效支持较大规模神经符号系统“端到端”的自动构建.神经网络训练和符号规则学习过程中对非确定性的... 详细信息

作为一种智能化软件形态,融合了神经网络和符号规则的神经符号系统正受到越来越多的关注,相关研究爆炸性增长.然而,现有技术仍然难以有效支持较大规模神经符号系统“端到端”的自动构建.神经网络训练和符号规则学习过程中对非确定性的不兼容的处理方式是造成神经符号学习效果欠佳的一个关键因素.本文旨在以非确定性管理的新视角,较为系统、一致、严谨地讨论分析“端到端”神经符号学习的技术挑战,并以此视角整理讨论相关工作的思路、进展和当前仍然存在的问题.在此基础上,展望下一步的发展方向.

关键词：神经符号学习神经符号接地推理捷径符号约束合成

来源：评论

学校读者我要写书评

暂无评论

带拒绝推理的反绎学习方法

引用

计算机研究与发展 2024年第7期61卷 1791-1798页

作者：黄宇轩姜远计算机软件新技术全国重点实验室(南京大学) 南京210023

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... 详细信息

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

来源：评论

学校读者我要写书评

暂无评论

基于神经网络的模式识别在自然语言处理中的应用

基于神经网络的模式识别在自然语言处理中的应用

引用

作者：李双秀电子科技大学

学位级别：硕士

随着社会信息化进程,互联网拥有了海量的数据,处理文本数据的需求日益增多,使得自然语言处理（Natural Language Processing,NLP）成为极具研究价值的领域之一。文本分类作为文本数据挖掘的基础任务,被广泛用于推荐系统、垃圾邮件识别... 详细信息

随着社会信息化进程,互联网拥有了海量的数据,处理文本数据的需求日益增多,使得自然语言处理（Natural Language Processing,NLP）成为极具研究价值的领域之一。文本分类作为文本数据挖掘的基础任务,被广泛用于推荐系统、垃圾邮件识别、语音助手等任务。如何构造归纳学习能力强大,同时,兼具可解释性高、适用场景灵活的分类模型,一直是极具挑战的难点。近年来,被认为是解决此难点的途径——神经符号学习,日益成为研究的前沿方向。本文基于公司的研究项目[1],研究升规则系统的方法,项目组出了“神经规则引擎”模型（Neural Rule Engine,NRE）。NRE模型使用的方法对于升级现有的规则系统以及构建不依赖于大量数据的神经规则系统,有很好的应用价值。NRE模型的创新点及主要工作如下:（1）不同于以往的研究者将符号知识引入神经网络,NRE模型采用全新的融合策略——利用神经网络来改善规则的效果,来增强模型的学习能力和可解释性。NRE模型,从所有规则中抽象出统一的基本操作模块,再通过解析器生成模块的执行顺序和参数,最后按顺序执行模块生成输出。（2）对引入神经网络的模块,使用随机窗口和正则匹配,来自动生成模块的训练数据集,从而无需人工构造训练数据。初步模块训练后,通过强化学习,改善模块的训练效果。对于神经网络实现的模块,难以用单独的数字作为输入信息,来代表序列的定点之间的距离信息的难点,采用了带有距离信息的序列,作为网络输入,加以有效解决。（3）解析器采用编码-解码架构,并引入Attention机制,预测模块的生成顺序和参数。在实验中,对于是否采用规则模块化的策略进行对比,实验证明模块化策略对于规则的有效编码十分有效。（4）实验部分,对引入神经网络的四个模块及解析器,都进行了单独模块测试,分析每一个模块加入神经网络对NRE模型的泛化能力的影响大小。在保持较高精确率的前下,NRE的召回率相对于规则系统,在中国犯罪案例分类数据集上,升了19.31%,在英语关系分类数据集SemEval-2010 Task 8上,升了5.32%。实验结果表明,NRE模型可以有效高规则的泛化能力,在显著高召回率的同时,仍然能保持较高的精度。

关键词：自然语言处理 NRE 神经符号学习文本分类长短期记忆网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：