XiaoMi-AI文件搜索系统
World File Search System宾语
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。
名词、形容词、动词和副词
其他几个副词：昨天、曾经、相当、相当、更早 -------------------------------------------------------------- 介词——显示名词或代词与句子中另一个单词之间的关系。它们以介词短语开头，该短语后面有一个名词或代词，称为宾语。想想盒子（你必须对盒子做的事情）。
武器的影响
美国印度的关系被描述为“ 21世纪的定义伙伴关系” - 在过去的二十年中，人们看到了急剧上升。1将印度视为具有“共享价值观”的“自然盟友”，从2005年开始，美国做出了巨大的努力，“帮助印度成为21世纪的主要世界大国”。 2为此，华盛顿试图提高新德里在全球秩序和国际机构，增强印度的武器能力和技术基础上的地位，并为军事歌剧造成互操作性。今天，印度被指定为与北约盟友相当的“主要国防伙伴”，APEX国家安全官员强调了“至关重要的”和“关键”印度对美国的战略是如何的，美国官员认为印度在该政府的印度 - 太平洋愿景中扮演着重要角色。” 3尽管美国拥抱了美国，但印度还是与俄罗斯的友谊和前所未有的“战略伙伴关系”，该国被美国明确认为是敌对的宾语对手和长期战略竞争对手。4
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
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）