XiaoMi-AI文件搜索系统
World File Search System主语
从知识图谱中学习药物-疾病-靶点嵌入 (DDTE)，为药物再利用假设提供信息
我们旨在开发和验证一种新的图嵌入算法，用于嵌入药物-疾病-靶点网络以生成新的药物再利用假设。我们的模型将药物、疾病和靶点分别表示为主语、谓语和宾语。每个实体都由一个多维向量表示，谓语被视为从主语到宾语向量的平移向量。这些向量经过优化，以便当主语-谓语-宾语三元组表示已知的药物-疾病-靶点关系时，主语和谓语之间的总和向量应接近宾语的向量；否则，总和向量远离宾语。DTINet 数据集用于测试该算法并发现药物和疾病之间的未知联系。在交叉验证实验中，这种新算法优于原始 DTINet 模型。我们模型的 MRR（平均倒数排名）值约为 0.80，而原始模型的 MRR（平均倒数排名）值约为 0.70。此外，我们还识别并验证了几对新的治疗关系以及原始 DTINet 数据集中未记录的副作用关系。这种方法表现出色，预测的药物-疾病和药物-副作用关系与文献报道一致。这种新方法可用于分析各种类型的新兴生物医学和医疗保健相关知识图谱 (KG)。
使用量子语境工具分析歧义名词和动词
心理语言学研究使用眼动追踪来表明多义词与同音词的消歧方式不同，歧义动词的消歧方式与歧义名词不同。组合分布语义学的研究使用余弦距离来表明动词在主语和宾语的上下文中比单独使用时更有效地消歧。这两个框架都一次关注一个歧义词，都没有考虑包含两个（或更多）歧义词的歧义短语。我们借用了量子信息论、默认语境性框架和语境影响程度的方法和指标，并研究英语的歧义主谓和动宾短语，其中主语/宾语和动词都是歧义的。我们表明，可以使用上下文影响程度的平均值来建模歧义动词和歧义名词的处理差异，以及同音词和多义词和动词的不同歧义程度之间的差异。
通过多尺度增强 P300 检测的性能...
摘要 — 基于 P300 的拼写系统是最流行的脑机接口应用之一。它的成功很大程度上取决于性能，包括信息传输率 (ITR) 和检测率（即准确率）。为了获得良好的性能，我们提出了一个多尺度卷积神经网络 (MS-CNN) 模型，该模型由七层组成。首先，使用前期数据集训练 MS-CNN，旨在获得一个用于 P300 检测的非特定于受试者的模型（通用模型）。其次，通过结合迁移学习技术，利用来自受试者的一部分数据对该通用模型进行调整，以更新模型以获得特定于受试者的模型。我们在 2019 年世界机器人大会的 BCI 控制机器人比赛中应用了所提出的模型，我们的表现是比赛中所有团队中最好的。在比赛中，比赛委员会随机分配了十名健康的年轻受试者来评估该模型。我们的模型实现了最佳的 P300 检测性能（更高的准确率和更少的重复时间）。当重复次数少于六次时，不特定主语情况下的 ITR 为 13.49 位/分钟，而特定主语情况下的 ITR 为 12.13 位/分钟。我们相信我们的方法可能为进一步高效实施基于 P300 的拼写系统铺平道路。
大脑与语言
不同语言在标记动词和论元之间的依赖关系方面有所不同，例如，通过格来标记。一项眼动追踪和脑电图图片描述研究考察了格标记对巴斯克语和瑞士德语句子规划时间过程的影响。德语为主语分配了一个未标记的（主格）格，而巴斯克语则专门通过作格格标记施事论元。对施事的注视和 θ 和 alpha 频带中的事件相关同步 (ERS)，以及 alpha 和 beta 频带中的去同步 (ERD) 揭示了格标记对早期句子规划时间过程的多种影响。在巴斯克语中，说话者在准备带有作格标记施事的句子时，很早就决定在规划下进行格标记，而带有未标记施事的句子允许延迟跨语言的结构承诺。这些发现支持句子规划的分层增量解释，并强调了跨语言差异如何影响语言使用的神经动力学。
知识图谱嵌入和可解释的人工智能
知识图谱 [39]（KG）是一种用于知识表示的抽象，通过表示诸如纽约市和美国之类的实体（即节点）以及连接这些实体的二元关系，对一个或多个领域的知识进行编码；例如，纽约市和美国通过关系国家连接起来，即纽约市有美国这个国家。大多数 KG 还包含将实体与文字连接起来的关系，即来自已知数据结构的值，如字符串、数字、日期等；例如，连接纽约市和整数 1624 的关系 solved 描述实体纽约市的属性。更一般地，我们可以从双重视角看待知识图谱：将其视为有向标记多图，其中节点表示实体或文字，标记边表示实体之间或实体与文字之间的特定关系；以及一组陈述，也称为事实，具有主语-谓语-宾语三元组的形式，例如（纽约市，国家，美国）和（纽约市，定居，1624）。在下文中，我们将使用符号 (h, r, t)（头，关系，尾）来标识知识图谱中的陈述，就像在有关知识图谱嵌入的文献中经常使用的那样。知识图谱中描述的实体通常使用一组类型来组织，例如城市和国家，也称为概念、类或数据类型（当称为
KVS 看到迈索尔 1
部分 总权重 A 阅读技巧 20 MB 写作技巧 24 MC 语法 10 MD 文学教科书 26 M 总计 80 M 部分 A：阅读技巧（10+10=20 分） • 此部分将包含两段未见的文章，最高字数限制为 600 字。文章可以是以下任意两种类型：文学/事实/散文。请参阅主要课程书。 • 客观题（包括多项选择题）和简答题将用于测试推理、评价、分析和上下文词汇。 部分 B：写作技巧 24 分 本部分将包含各种短篇和长篇写作任务。 • 为学校集会/居民福利协会/学校活动/课堂信息等撰写通知（最多 50 字）4 分 • 对话写作（最多 100 字）5 分 • 非正式信函（最多 120 字）7 分 • 根据口头或视觉提示，就主课书中的两个主题之一写一段话（最多 150 字）8 分 C 部分：语法 10 分 语法项目将在一段时间内教授和评估。 1. 时态 2. 情态动词 1. 主语 - 动词一致 2. 间接引语 （i）命令和请求 （ii）陈述 （iii）问题 3. 从句： （i）名词从句 （ii）副词从句 （iii）关系从句 4. 限定词 以上项目可以通过以下测试类型进行测试： • 填空 3 分 • 编辑或省略 4 分
评估智能空中手势语法的接受度的文章
摘要：中手势界面已在特定场景中流行起来，例如通过头戴式显示器与增强现实的交互、通过智能手机或游戏平台进行特定控制。本文探讨了使用位置感知的基于空中手势的命令三元组语法与智能空间进行交互。该语法的灵感来自人类语言，构建为具有命令结构的呼格。在“请打开灯！”这样的句子中，通过模仿其首字母/首字母缩略词（呼格，与句子的省略主语一致）的手势来调用被激活的对象。然后，几何或方向手势识别动作（命令式动词），可能包括对象特征或要与之联网的第二个对象（补语），也由首字母或首字母缩略词表示。从技术上讲，依赖于可训练的多设备手势识别层的解释器使对/三元组语法解码成为可能。识别层适用于可抓取设备（智能手机）和自由手持设备（智能手表和外部深度摄像头）以及特定编译器的加速度和位置输入信号。在 Living Lab 设施的特定部署中，语法已通过使用源自英语的词典（关于首字母和首字母缩略词）进行实例化。对 12 名用户的受试者内分析使我们能够分析手势语法在其三种设备实现（可抓取、可穿戴和无设备）中的语法接受度（就可用性、手势对物体动作的一致性和社会接受度而言）和技术偏好。参与者对学习语法的简单性及其在管理智能资源方面的潜在有效性表示了共识。在社交方面，参与者倾向于在户外活动中使用手表，在家庭和工作环境中使用手机，强调了社交背景在技术设计中的重要性。由于其效率和熟悉度，手机成为手势识别的首选。该系统可适应不同的传感技术，解决了可扩展性问题（因为它可以轻松扩展到新对象和新动作）并允许个性化交互。
语言研究理论与实践目录
英汉词缀来源与词形的哲学关系 谭正华 郭燕华 疫情期间英语语言元素的传播 Merey Balabekova、Nadezhda Khan、Yeldos Tuite、Sayan Kenzhegaliev、Zamzagul Zuyntayeva、Bektursun Kaliev 和 Zhandos Smagulov 描写 Khushwant Singh 短篇小说《Kusum》和《The Great Difference》中的怪诞人物和场景 P. Gopikrishna 和 J. Anil Premraj 古爪哇语语法主语的结构和作用 Ni Ketut Ratna Erawati 和 I Ketut Ngurah Sulibra 推进动机与能力研究与教师实践和成功的二语学习成果的关系 Sami Ali Nasr Al-wossabi 诗人的心理状态及其与 Zahaafaat 的关系和 Ilal：以 Abi Al-Shis Al- Khuza'i 的诗为范本 Ali M. Al Tawalbeh 《白鲸》的圣经原型研究 Xiaoni Ye 文学翻译是艺术接受的主要工具之一：以哈萨克斯坦和俄罗斯文学互动为例 Kadisha Nurgali、Viktoriya Siryachenko、Liliya Mukazhanova、Marzhan Zhapanova 和 Rabiga Nurgali 通过导演话语和作者理论重新思考电影改编：解读丹·布朗的《达芬奇密码》 M Caleb Theodar 和 Saranya P 印尼语寒暄功能的三元性 R. Kunjana Rahardi 第二语言词汇学习中的语料库和协和 Morad Alsahafi 阿卜杜拉二世国王关于 COVID-19 疫情影响的两次演讲中的说服策略 Amal Samir AbuAlhuda 和 Sabri Alshboul An约翰·奥斯本的《道林·格雷的画像》中自恋表达的编排——一种道德娱乐：对科胡特自我心理学的反思 精神分析 M. Ramesh Kumar 和 G. Christopher 探索亚萨维的《Divan-i Hikmet》英文版中的主题和情感：一种文本挖掘方法 Zhazira Azamatovna Suleimenova、Rysgul Abilkhamitkyzy、Bakyt Amirkhankyzy Yskak 和 Bolat Saginbekuly Korganbekov 解读学生和教师对英语作为教学媒介的看法：以萨塔姆·本·阿卜杜勒阿齐兹王子大学为例的研究 Mohammed Aldawsari
概念框架“知识节点”中的名词
Martina ASENBRENER KATIC*、Sanja CANDRLIC、Mile PAVLIC 摘要：“知识节点”方法是概念框架“知识节点 (NOK)”的元素之一。它能够以图形和形式化（文本）形式表示知识，并可以将自然语言句子的形式化记录存储在关系数据库中。为了能够将所有单词从自然语言句子正确转换为形式化记录，有必要设计一种语言的元模型，即分析每种特定自然语言的所有词类，并定义将自然语言句子转换为形式化记录的规则。本文分析了克罗地亚语和英语中的名词。它介绍了将名词和名词短语结构转换为形式化记录的规则，并提供了两种语言的示例。使用一小组句子（用作输入知识）和问题对系统进行了初步测试。测试结果展示并讨论。关键词：知识表示；知识节点；NOK；名词 1 引言及相关工作 知识表示的发展始于 20 世纪 70 年代的人工智能领域。它在人工智能的发展中发挥了重要作用，并且一直是人工智能最强大的领域之一 [1]。知识表示寻找对信息和知识进行形式化描述的方法，这意味着用一种具有明确语法和语义的无歧义语言或符号来表示。知识可以以不同的方式存储 [2]，例如通过使用语义网络 [3]、框架 [4]、本体 [5]、模糊 Petri 网 [6]、神经网络 [7] 或其他图形方法进行知识表示 [8]。知识表示方法之一是知识节点 (NOK) [9, 10]。概念框架“知识节点 (NOK)”是一组方法、规则、相应的分析工具和自然语言句子中包含的语义表示。概念框架 NOK 包括 NOK 方法、图形表示的形式化（知识图表节点，DNOK）、以文本形式显示知识的形式化（知识形式化节点，FNOK）和以文本形式表示问题的形式化（知识形式化节点，QFNOK）[11]。初步研究 [12-14] 表明，可以使用概念框架 NOK 对自然语言中的句子进行建模。进一步的研究表明，只要规则定义明确，NOK 可适用于不同语言，而无需调整问答系统 (QA) 的算法 [15]。有必要分析自然语言的所有词类，以设计一种语言的元模型并定义将句子转换为 FNOK 记录的规则。在之前的工作中，已经在 NOK 方法中对形容词 [16] 和动词 [17] 进行了分析。本文重点关注克罗地亚语和英语中的名词。本文定义了名词转换为 FNOK 记录中的节点的规则和解决方案。规则根据名词与动词（服务于主语或宾语的名词）、谓语名词、同位语和名词格之间的关系来分析名词。此外，冠词（a、an、the）