pateikė Beijing Zhongke Journal Publising Co.
Keletas pagrindinių metrikų, leidžiančių įvertinti asociacijų taisyklių įdomumą. Kreditas: Mašininio intelekto tyrimai (2022). DOI: 10.1007/s11633-022-1323-6 Žinių gavyba yra plačiai aktyvi mokslinių tyrimų sritis įvairiose srityse, tokiose kaip natūralios kalbos apdorojimas (NLP), duomenų gavyba (DM) ir mašininis mokymasis (ML). Bendras žinių gavimo iš duomenų šaltinio tikslas yra sukurti struktūruotą vaizdą, kuris leistų tyrėjams geriau suprasti tokius duomenis ir remtis jais kuriant programas.
Kiekviena minėta disciplina pateikė daugybę tyrimų, siūlydama skirtingus metodus, kurie gali būti taikomi skirtingiems duomenų tipams. Apibendrinant kiekvienos disciplinos tiriamuosius darbus, atlikta nemažai apklausų. Tačiau nė viena apklausa nepateikė tarpdisciplininės apžvalgos, kurioje būtų atskleisti skirtingų sričių bruožai, siekiant toliau skatinti mokslinių tyrimų idėjas ir bandyti nutiesti tiltus tarp šių sričių. Šiame darbe, paskelbtame „Machine Intelligence Research“, mokslininkai pateikia tokią apklausą.
Automatinis žinių gavimas iš įvairių duomenų šaltinių yra sudėtinga užduotis įvairiose srityse. Pavyzdžiui, natūralios kalbos apdorojimo (NLP) tyrimams dėl struktūrinių žinių bazių ištraukimo iš natūralios kalbos teksto buvo skiriama daug dėmesio dėl jo pritaikymo.
Duomenų gavybos (DM) srityje didelė mokslinių tyrimų sritis buvo sutelkta į struktūrinių duomenų bazių gavybos taisykles, kurios gali padėti žmonėms atrasti naujų elementų ar funkcijų sąsajas ir priimti sprendimus įvairiuose kontekstuose, pavyzdžiui, verslo ar švietimo srityse.
Be to, mašininio mokymosi (ML) srityje buvo skatinama daug pastangų siekiant išgauti žinias, daugiausia loginių taisyklių pavidalu, tiek iš mašininio mokymosi sistemos prognozių, tiek iš parametrų, siekiant sukurti interpretuojamą vaizdą, kuris padėtų paaiškinti sistemos sprendimai (vadinamoji interpretacijos problema); scenarijus, kurio labai ieškoma, pavyzdžiui, medicinoje.
Žinių gavimas iš duomenų (nesvarbu, ar tai nestruktūrizuoti, struktūrizuoti ar elgesio duomenys) yra atvira problema, kuri buvo sprendžiama įvairiose tyrimų srityse. Šis platus scenarijus ne tik lėmė skirtingus apibrėžimus ir būdus, kaip pateikti žinių konstruktą (taigi ir apibrėžti žinių gavybos užduotį), bet ir lėmė įvairias tyrimų perspektyvas, kurios, atrodo, naudoja skirtingas metodikas žinioms išgauti. ir įvairių metrikų, skirtų įvertinti gautų žinių nuoseklumą.
Kita vertus, NLP lauke žinių bazė paprastai vaizduojama kaip tenzorinė struktūra, kur kiekvienas įrašas paprastai atitinka tikimybinį fakto tikėjimo priskyrimą.
Galiausiai mašininio mokymosi srityje žinių gavybos problema buvo motyvuota bandant suprasti ir patvirtinti ML sistemas, kurias dėl jų sudėtingumo nėra lengva patikrinti rankiniu būdu. Panašiai žinių vaizdavimo pasirinkimas buvo apribotas taip, kad būtų suprantamas žmonėms, kur plačiai paplitęs ir priimtas vaizdavimas šioje srityje yra loginės taisyklės.
Iš šios trumpos žinių gavybos įvairiose srityse apžvalgos galima pastebėti, kad dėl tikslų ir konstrukcijų įvairovės ir plataus scenarijaus, kurį mokslininkai teigė pradžioje, kyla klausimas: kaip žinių gavyba apibūdinama įvairiose tyrimų srityse? Kokie yra jų siūlomi metodai ir bendri bruožai? Ir kaip mokslininkai gali juos konsoliduoti?
Tyrėjai pažymi, kad nors kiekvienos srities literatūroje jau yra keletas nuodugnių apklausų, parodančių žinių gavimo metodus ir algoritmus, manoma, kad nėra apklausos, kuri kartu apeitų šias tyrimų sritis ir atsakytų į aukščiau pateiktus klausimus.
Be to, kasybos žinių svarba persmelkė įvairias sritis ir taip pat paveikė pramonę. Todėl mokslininkai mano, kad reikia atlikti tarpdisciplininę literatūros apžvalgą, taikant į kraštovaizdį orientuotą metodą, apimantį visus šiuos skirtingus laisvės laipsnius, kuriais grindžiama žinių iš duomenų gavybos problema.
Šio dokumento vaizdo įrašas. Kreditas: Beijing Zhongke Journal Publising Co. Ltd. Šiame dokumente, užuot apžvelgę daugybę metodų ir ankstesnių darbų šiose trijose tyrimų srityse, tyrėjai ketina apžvelgti metodų, kurių buvo imtasi žinioms iš tikslinio duomenų šaltinio, niuansus ir pridedamas ypatybes.
Taigi, šiame dokumente pasisakoma už papildomą žinių gavimo natūralios kalbos apdorojimo, duomenų gavybos ir mašininio mokymosi srityse problemos apžvalgą, siekiant parodyti pagrindinius jų tikslus, metodus ir vertinimus bei kaip kai kurie ankstesni darbai užmezgė ryšius tarp šių sričių. žinių gavybos užduočiai.
Galutinis šio dokumento tikslas – paskatinti ir išprovokuoti naujas įvairių disciplinų mokslininkų idėjas ir mokslinių tyrimų darbotvarkes, kad tarp tiriamų sričių atsirastų nauji tiltai ir toliau tobulėtų vykdant žinių gavybos užduotį. Vadovaudamiesi šiuo požiūriu, mokslininkai vengia pateikti vieną žinių ir žinių gavybos apibrėžimą, o pristato, kaip šios konstrukcijos buvo pritaikytos įvairiose srityse. Taigi tyrėjai nukrypsta nuo bendro atspirties taško įvairiose srityse. Jie nustato žinių vaizdavimo pasirinkimą su logika arba į logiką panašiomis formulėmis, kurios yra labai naudojamos šiose srityse.
Remdamiesi šiuo žinių pateikimu, 2–4 skyriuose tyrėjai apžvelgia skirtingus kiekvienos srities tikslus ir pagrindinius požiūrius į problemas orientuota perspektyva, kad įgytų patobulintą įžvalgą apie tai, kaip įkūnija žinių gavybą ir kokius bruožus jie randa šiose srityse. tyrimų sritis. 2 skyrius yra apie žinių gavimą iš natūralios kalbos teksto, kurį sudaro šešios dalys.
Pirma, mokslininkai pateikia preliminarius naujausius NLP metodus ir modelius. Antra, jie pristato dažniausiai naudojamus mokymosi būdus informacijos gavimui, būtent prižiūrimą mokymąsi (klasifikavimas ir sekos žymėjimas), nuotolinį prižiūrimą mokymąsi ir neprižiūrimą mokymąsi.
Tada jie pateikia dviejų IE problemų, kurioms buvo skiriamas didelis dėmesys NLP bendruomenėje, aprašymą, būtent įvardyto objekto atpažinimą 3 dalyje ir santykių ištraukimą 4 dalyje, taip pat metodus, kaip įvertinti, kaip gerai NLP sistema veikia 5 dalyje. Galiausiai, paskutinėje dalyje mokslininkai apžvelgia kai kuriuos dabartinius NLP iššūkius, susijusius su IE problema.
3 skyrius yra apie žinių gavybą iš operacijų duomenų bazių. Jį sudaro keturios dalys: 1 dalyje apžvelgiami kai kurie pagrindiniai požiūriai į dažno elementų rinkinio generavimo problemą. 2 dalyje kalbama apie asociacijos taisyklių gavybą. 3 dalyje pateikiami kandidatų taisyklių genėjimo ir vertinimo metodai, o 4 dalyje – dabartiniai iššūkiai.
4 skyrius yra apie žinių gavimą iš mašininio mokymosi sistemų. Šiame skyriuje mokslininkai pateikia skirtingus metodus, kaip išgauti žinias, kurias išmoko sudėtingos ML sistemos, dar vadinamos juodosios dėžės sistemomis, dėl jų neaiškinamumo.
Panašiai kaip ir ankstesniuose skyriuose, tyrėjai daugiausia orientuojasi į literatūros kūrinius, kuriuose išgaunamos žinios yra loginių taisyklių forma (tai yra vienas populiariausių žinių vaizdavimo būdų interpretavimo literatūroje). Dauguma juodųjų dėžių sistemų, kurias jie apžvelgia šiame skyriuje, yra neuroniniai tinklai, nes jie plačiai priimti ir naudojami ML ir susijusiose srityse.
Galiausiai 5 skirsnyje mokslininkai pirmiausia nustato penkis aspektus, kurie, jų manymu, apibūdina žinių gavimo darbą įvairiose srityse, ty tikslus, metodus, tyrimo orientaciją, duomenis ir vertinimus. Toliau jie pateikia NLP, DM ir ML laukų žinių gavybos problemos palyginimą pagal šiuos penkis bruožus.
Galiausiai jie suteikia, jų nuomone, ilgalaikę žinių gavybos tyrimų kryptį. Tyrėjai mano, kad šis dokumentas prisidės prie būsimų žinių gavybos tyrimų krypčių kūrimo, apimančių tris, iki šiol nesusijusias, NLP, DM ir ML tyrimų sritis.
Daugiau informacijos: Yong Rui ir kt., Žinių gavyba: tarpdisciplininis tyrimas, Mašininio intelekto tyrimai (2022). DOI: 10.1007/s11633-022-1323-6
Pateikė Beijing Zhongke Journal Publising Co.
Citata: Žinių gavyba: tarpdisciplininė apklausa (2023 m. rugpjūčio 14 d.), gauta 2023 m. rugpjūčio 14 d. iš https://techxplore.com/news/2023-08-knowledge-cross-disciplinary-survey.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
