关键词： 信息素养   信息检索与利用   翻转课堂   SWOT  

摘要： [目的/意义]信息时代,数字阅读冲击下,大学生信息素养教育成为大学通识性教育课程,但是传统课堂教学无法满足实践性较强,能力要求较强的课程,笔者将翻转课堂模式引入到信息检索与利用课堂中。[方法/过程]对国内外信息检索与利用课程与翻转课堂的研究进行分析,在自己的教学课堂中加以实践及改进。[结果/结论]提出一种以学习+讲解的知识巩固课堂学习模式和“补充辩论”+课后续学的知识扩展学习模式,并对课程应用进行SWOT分析。

关键词： 医学信息   信息利用   高等学校   教材   医学信息   信息检索   高等学校   教材  

ISBN: (纸本)9787030735942

摘要： 本教材以培训医学相关专业学生的信息素养、解决检索问题的能力为目标。

ISBN: (纸本)9787562557630

关键词： 虚拟现实技术   信息检索   参考咨询  

摘要： 自从我国国家图书馆使用了第一套虚拟图书馆系统之后，标志着我国图书馆已正式应用VR技术。信息检索与参考咨询是数字图书馆必不可少的两大工作内容，而虚拟技术则发挥了重要作用。文章以数字图书馆的VR(虚拟现实)技术的相关概念与系统构成作为切入点，接着详细探讨了VR技术在数字化图书馆信息搜索中的实际应用，从而为研究虚拟技术在数字图书馆实际应用提供经验借鉴与理论指导。

关键词： 音乐信息检索   深度学习   语义信息   特征提取  

摘要： 随着互联网和数字信号技术的发展，人们对于海量的数字音乐在管理、组织以及检索分析方面的需求催生出了音乐信息检索(MusicInformationRetrieval,MIR)这一新兴研究领域。音乐流派/曲风分类与自动和弦识别是MIR领域内重要且具有支撑性的研究任务，针对数字音频中音乐流派及和弦特征的研究，传统的机器学习方法需要人工手动设计特征提取方法并进行分析，使得音频信号的研究费时费力。深度学习技术的出现可观地改善了这个现象，但是部分基于CNN与RNN的神经网络模型也存在无法区分音频信号和频谱图之间的特征差异、对于不同模态数据之间特征潜在的相关性联系能力较弱等问题，故往往难以取得良好的性能表现。本文对当前深度学习主流算法进行了研究与分析，根据音乐流派及和弦数据的特点，分别从音频特征挖掘、双模态特征融合等方面展开研究。本文主要研究内容如下:　　(1)提出了用于音乐流派/曲风分类任务的MGTN(MusicGenreTransformerNetwork)模型。MGTN融合了音频低级特征与梅尔频谱图两种模态数据的输入方法，最大限度地理解音乐语义信息;并且利用改进后的卷积注意力机制绘制局部与全局输入和输出之间的依赖关系，不仅抽取了音频高级语义信息，同时保留音频中低级的特征，使得模型充分理解音频与图像特征之间的差异，因此能够更好地捕捉两种模态特征之间的相关性。在GTZAN与Ballroom数据集中的对比实验和消融实验结果表明MGTN模型较好地融合了不同模态数据之间的特征，在音乐流派/曲风分类任务中取得优异的表现。　　(2)提出了用于自动和弦识别任务的CRTN(ChordRecognitionTransformerNetwork)模型。和弦序列相较于普通的音频数据上下文联系更为紧密，故CRTN在利用卷积注意力机制关注和弦特定区域的基础上，进一步改进位置卷积层加强对和弦上下文特征的提取，提高模型上下文信息融合能力;CRTN采用基于数据驱动的门控机制，在合并子模型的同时将更多的权重集中在数量级较少的维度，避免合并后的特征信息受到数量级差异的影响。在包含170种和弦类型词汇表的对比实验和消融实验中，CRTN模型表现出了优越性能，特别是针对分布不平衡的和弦种类识别，CRTN模型也表现出了良好的识别能力。

关键词： 知识图谱问答   信息检索   知识图谱表示学习   问答系统  

摘要： 知识图谱问答是给定自然语言问句,解析并分析其语义特征,在知识图谱上推理并返回最终答案的任务。在现有知识图谱问答的前沿研究中,基于信息检索的方法作为实现知识图谱问答极为重要的研究方向,受到研究者们广泛关注。该方法继承于信息检索系统的实现思路,即将问答建模为检索答案的过程,因此被研究者们推广为一类主要的研究方法。基于信息检索的知识图谱问答方法主要分为实体召回,实体表征以及实体选择三个模块。该方法首先利用问句中的语义信息实体或关系从图谱中召回候选答案实体,进而对实体进行表征,最后通过排序方法从中选择最终答案。尽管现有基于信息检索的知识图谱问答方法已经取得了一定进展,但其对复杂问句的求解仍然存在挑战。本文对基于信息检索的知识图谱问答方法展开研究,主要针对实体表征以及实体选择。本文的主要内容包括:(1)基于多重嵌入表示融合的知识图谱实体表征学习方法知识图谱实体表征学习旨在利用表征学习方法将图谱中所有实体节点或关系的事实语义映射到一个低维连续空间上。本项研究提出利用知识图谱中实体和关系的外部文本,在语义层面上对实体自身的信息进行补充,同时结合三元组的空间邻接特征,更好的学习实体和关系的表示。一个充分学习的知识图谱表示学习模型,能够在复杂知识图谱问答实现中对候选实体的建模提供帮助,同时也有利于知识图谱补全等优化知识图谱自身数据的工作。本文为中文知识图谱表征学习任务构建了新数据集,并在该数据集上将本文的方法与主要表示学习方法进行比较,实验结果表明本文所提方法的有效。同时本文设计了基于知识图谱表征学习的知识图谱问答方法,在公开的中文问答数据集上与多个表征学习方法进行了对比实验,说明了本方法对实体表征的有效性。(2)基于知识图谱全局和局部特征的实体选择方法本项研究主要目标为加强对知识图谱复杂问答的解决,为此,我们一方面提出方法加强了知识图谱实体的表征学习,同时提出了新的实体选择方法。针对实体表征,本文提出利用嵌入表示技术提取知识图谱整体的拓扑结构和语义特征作为候选实体节点的全局特征,根据实体表示和问句表示将复杂问答建模为复合的三元组分类任务。同时,将图谱在搜索过程生成的核心推导路径作为局部特征,结合问句的语义相似性来构建候选实体不同维度特征,最终形成混合特征评分器。而对于实体选择,由于最终推理路径可能缺失,本文采用基于无监督的多重聚类方法设计了聚类器模块。进而根据候选实体的两类特征表示直接生成最终答案簇,这使得非完全知识图谱问答成为可能。在两个常见的英文知识图谱问答数据集以及一个中文知识图谱问答数据集上的结果表明,该方法能有效的帮助复杂问句的解决,特别是在图谱知识不完全的情况下也具备非常好的效果。(3)基于信息检索的知识图谱问答系统的实现本项研究结合前两点的研究,针对当前知识图谱问答对复杂问句解决有限的问题,实现了一个基于信息检索的知识图谱问答系统。该系统包含实体链接、实体召回、实体表征、实体选择等模块。其中,实体链接为问答实现的前序模块,其和实体召回采用了成熟的业界方法实现,而实体表征和实体选择模块则基于本文方法实现。系统内各模块经过测试并以上线,供用户获取所需的信息。综上,本文首先为知识图谱问答任务提出一种知识图谱实体表示学习的方法来更好的获取知识图谱的实体表征,并通过链接预测实验和问答实验说明该方法的有效性。其次本文研究了基于知识图谱全局和局部特征的实体选择方法,结合表示学习和语义解析方法提高了对复杂问句的解决。最后本文设计并构建了基于信息检索的知识图谱问答系统。

关键词： 专利检索   神经检索模型   一致性检索   实例检索  

摘要： 专利检索是技术情报分析和实证研究的基础,已成为企业和研究机构在创新和发展过程中的关键步骤。然而,当前主流的信息检索模型仍然不能有效解决专利文献检索过程中存在的主题不匹配和查询意图表述困难的问题。本文围绕上述问题开展了面向专利文献检索的主题一致性检索模型和实例检索模型的研究。主要工作内容如下:针对专利检索结果的主题不一致问题,研究了基于主题一致性的检索结果重排序技术,利用4种神经主题检索模型对基于词匹配方法的检索结果进行重排序,进而改善专利检索效果。针对目前缺少中文专利主题检索相关数据集的问题,本文提出数据集构建方法并构建了涉及8个领域、32个大类、80个小类,包含32万篇专利摘要文本和8000个查询的数据集。利用该数据训练并实验了上述4种模型,结果表明所构建的数据集能够有效支撑模型训练及评价,通过重排序模型提升专利检索结果的主题一致性,Recall@5达到0.982,相较对比方法提升了9.6%。针对专利检索查询意图表达困难的问题,提出了一种融入结构信息的实例检索模型Instance R-BERT。将查询意图的表达粒度从关键词级别提升到摘要级别,利用专利摘要行文结构特点,从主题、组成、作用等方面细致刻画查询意图,在Col BERT模型上加入局部相似性及全局相似性矩阵建模上述信息。此外,基于池化方法构建了一个包含200个摘要级查询的专利检索(A2A)数据集。实验结果表明,在Recall@5检索评价指标上达到0.7852,较SOTA模型提升了5%,表明本文提出的实例检索模型能够更好地适应摘要级的专利检索任务。本文设计并实现了一个专利文献检索系统,基于主题一致性检索模型和实例检索模型实现了基于关键词和基于摘要的专利检索功能,有效解决了现有专利检索系统存在的主题不匹配和查询意图表述困难的问题。

摘要： 依托量子计算技术构建档案信息检索系统，探寻可在提高信息检索的运算速度、增强信息检索内容的精准度、强化信息数据存储与传输的安全性等方面突破经典信息技术极限的解决方案，对提升档案信息智能检索服务能力具有重大的应用价值。本文围绕现阶段档案信息检索技术面临的突出问题，拟就引入量子信息检索创新技术，对构建档案信息大数据智能检索系统提出初步设想。

ISBN: (纸本)9787302626664

关键词： 段落检索   检索关系建模   图表示学习   分布式图神经网络  

摘要： 信息检索技术在互联网时代得到了快速发展,其子任务段落检索是目前许多应用如搜索引擎、问答系统、对话系统的核心任务。然而现有段落检索模型仍存在缺陷——检索所依赖的依据往往比较局限,无法满足大众日益复杂的检索需求。受图学习启发,本文提出以图学习的方式融合段落中的多种重要信息,旨在克服现有段落检索模型的缺陷,提高检索性能。 本文主要的研究内容和贡献如下: 1.提出基于图学习的段落检索模型GraphPR。为克服现有段落检索模型缺陷,本文针对段落检索设计图构建方法,以图形式建模段落检索任务中的文本实体及实体间的检索关系,使图的结构与特征中包含两种重要检索依据。本文对传统图卷积网络模型进行改进,基于连接预测设计模型优化目标,使模型为文本实体生成综合两种检索依据的向量表示。借助相似向量搜索算法,实现段落检索。 2.提出分布式改进的图学习段落检索模型DistGraphPR。为解决单机GraphPR训练与推理耗时长的问题,本文基于传统神经网络分布式训练的思想将GraphPR从单机扩展至多机。为减少分布式集群中的网络通信,对传统图划分算法METIS进行改进,实现集群中各计算节点的局部性访问与负载均衡。 3.设计实验验证了本文所提出的检索模型GraphPR和DistGraphPR的有效性。针对GraphPR,本文选取经典段落检索模型和现有先进段落检索模型作为基线模型,在常用信息检索评估指标上作对比实验,实验表明GraphPR在两个真实检索数据集中表现较好。针对DistGraphPR,本文主要从速度的角度评估其相对GraphPR的提升,实验表明DistGraphPR能带来与多机数量呈线性关系的加速比效果。此外,本文也针对GraphPR与DistGraphPR设计了一系列消融实验,实验结果证明了各模块和组件的有效性。