基于众包技术的知识图谱精化研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61773167
  • 项目类别：
    面上项目
  • 资助金额：
    64.0万
  • 负责人：
    林欣
  • 依托单位：
    华东师范大学
  • 学科分类：
    F0305.生物、医学信息系统与技术
  • 结题年份：
    2021
  • 批准年份：
    2017
  • 项目状态：
    已结题
  • 起止时间：
    2018-01-01 至2021-12-31

项目摘要

Knowledge graph is a strong knowledge engine. To ensure the coverage of knowledge, data-driven method is widely adopted in knowledge graph construction. Due to the long tail effect of knowledge and the limitation of data processing, both the coverages and precisions of large-scale knowledge graphs are not high enough. As such, knowledge graph refinement is a hot topic in knowledge graph community. In this project, we aim at proposing crowdsourcing-based knowledge graph refinement solutions, including knowledge completion and knowledge error correction. The main research points of this project are identifying the missing knowledge and incorrect knowledge, designing questions for crowdsourcing and controlling the qualities of the crowdsourcing feedbacks. The result of this project will help to promote the usability of the knowledge graphs and clear the way for the large-scale promotion of them.
知识图谱是一种强大的知识引擎。为了保证知识的覆盖度，使用基于数据驱动的方式从互联网中自动爬取知识是目前知识图谱构建的主要方法。然而由于知识的长尾效应和数据处理能力的限制，目前大型知识图谱都存在覆盖度与精确度上的不足，因此，知识图谱的精化已成为目前知识图谱领域的一个热门研究点。本项目拟采用众包为知识图谱进行精化，包括缺失知识的补充和错误知识的纠正。主要研究内容包括：基于众包的知识图谱缺失知识和错误知识的定位；面向知识图谱精化的众包问题设计；众包反馈的质量控制等。相信本项目的研究成果将很好地提升知识图谱的可用性，为其的大规模推广扫清障碍。

结项摘要

知识图谱是一种强大的知识引擎。为了保证知识的覆盖度，使用基于数据驱动的方式从互联网中自动爬取知识是目前知识图谱构建的主要方法。然而由于知识的长尾效应和数据处理能力的限制，目前大型知识图谱都存在覆盖度与精确度上的不足，因此，知识图谱的精化已成为目前知识图谱领域的一个热门研究点。本项目拟采用众包为知识图谱进行精化，包括缺失知识的补充和错误知识的纠正。主要研究内容包括：基于众包的知识图谱缺失知识和错误知识的定位；面向知识图谱精化的众包问题设计；众包反馈的质量控制等。在知识补全方面，提出了面向多模态常识抽取中单阶段的视觉符号接地算法；在知识纠错方面，研究了基于下游用户隐式反馈的错误知识定位方法；在众包质量控制方面，我们提出了以众包问题难度调节来实现众包前质量控制。在项目的资助下，发表了13篇国际会议与期刊论文，其中大部分发表在相关领域的权威杂志和会议上，超额完成了任务。本项目的研究成果，课题组已经应用在学术、能源和设备文档管理等多个垂直领域知识图谱构建中，并取得了良好的效果。

项目成果

期刊论文数量（5）
专著数量（0）
科研奖励数量（1）
会议论文数量（9）
专利数量（2）
Answering range-based reverse kNN and why-not reverse kNN queries
回答基于范围的反向 kNN 以及为什么不反向 kNN 查询
  • DOI：
    10.1007/s11704-019-8190-5
  • 发表时间：
    2020-02
  • 期刊：
    Frontiers of Computer Science
  • 影响因子：
    4.2
  • 作者：
    Zhong Zhefan;Lin Xin;He Liang
  • 通讯作者：
    He Liang
Position-aware hierarchical transfer model for aspect-level sentiment classification
用于方面级情感分类的位置感知分层传输模型
  • DOI：
    10.1016/j.ins.2019.11.048
  • 发表时间：
    2020-03
  • 期刊：
    Information Sciences
  • 影响因子：
    8.1
  • 作者：
    Zhou Jie;Chen Qin;Huang Jimmy Xiangji;Hu Qinmin Vivian;He Liang
  • 通讯作者：
    He Liang
Cleaning uncertain graphs via noisy crowdsourcing
通过嘈杂的众包清理不确定的图表
  • DOI：
    10.1007/s11280-018-0624-8
  • 发表时间：
    2018-07
  • 期刊：
    World Wide Web-internet and Web Information Systems
  • 影响因子：
    3.7
  • 作者：
    Wu Yongcheng;Lin Xin;Yang Yan;He Liang
  • 通讯作者：
    He Liang
Answering why-not questions on KNN queries
回答有关 KNN 查询的“为什么不”问题
  • DOI：
    10.1007/s11704-018-7074-4
  • 发表时间：
    2019-06
  • 期刊：
    Frontiers of Computer Science
  • 影响因子：
    4.2
  • 作者：
    Zhong Zhefan;Lin Xin;He Liang;Yang Jing
  • 通讯作者：
    Yang Jing
基于混合增强智能的知识图谱推理技术研究
  • DOI：
    --
  • 发表时间：
    2019
  • 期刊：
    计算机应用与软件
  • 影响因子：
    --
  • 作者：
    杨瑞达;林欣;杨燕;贺樑;窦亮
  • 通讯作者：
    窦亮

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

肝细胞条件性Eva1a/Tmem166基因敲除小鼠的表型分析
  • DOI：
    --
  • 发表时间：
    2021
  • 期刊：
    首都医科大学学报
  • 影响因子：
    --
  • 作者：
    陈建宏;林欣;冯金秋;丁鹏鹏;王苗苗;林琳;刘红;吴静
  • 通讯作者：
    吴静
中国汉族人中β-2肾上腺素能受体基因多态性与高血压的关联性研究
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    医学研究生学报
  • 影响因子：
    --
  • 作者：
    朱建;江时森;曹文;张启高;林欣;徐燕丰
  • 通讯作者：
    徐燕丰
BMP-4基因上两个多态性位点与颈椎后纵韧带骨化症的关联性研究
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    骨科
  • 影响因子：
    --
  • 作者：
    闫亮;王浩;林欣;赵伟光;谢延平;胡志恒
  • 通讯作者：
    胡志恒
不同种源霍山石斛生物碱比较研究
  • DOI：
    --
  • 发表时间：
    2014
  • 期刊：
    中药材
  • 影响因子：
    --
  • 作者：
    陈乃东;高峰;林欣;金晖
  • 通讯作者：
    金晖
微小颗粒骨复合细胞移植治疗大鼠
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    第四军医大学学报2006，27（18）：1694-1696
  • 影响因子：
    --
  • 作者：
    麻松;闫景龙;林欣
  • 通讯作者：
    林欣

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

林欣的其他基金

不确定知识图谱中面向结构查询的众包清洗研究
  • 批准号：
    61572193
  • 批准年份：
    2015
  • 资助金额：
    16.0 万元
  • 项目类别：
    面上项目
LBS中连续查询的位置匿名研究
  • 批准号：
    60903169
  • 批准年份：
    2009
  • 资助金额：
    17.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码