Сеть семантического сходства

Семантическая сеть сходства ( SSN ) представляет собой особую форму семантической сети . ^[1] предназначен для представления понятий и их семантического сходства. Его основной вклад — снижение сложности расчета семантических расстояний. Бендек (2004, 2008) представил концепцию сетей семантического сходства (SSN) как специализацию семантической сети для измерения семантического сходства на основе онтологических представлений. ^[2] Реализации включают обработку генетической информации. ^{[3] [4]}

Эта концепция формально определена (Бендек, 2008) как ориентированный граф , в котором концепты представлены в виде узлов , а отношения семантического сходства — в виде ребер . ^[5] Отношения сгруппированы по типам отношений. Концепты и отношения содержат значения атрибутов для оценки семантического сходства ^[6] между концептами. Отношения семантического сходства SSN представляют собой несколько общих типов отношений стандартной семантической сети , что снижает сложность (обычно очень большой) сети для расчетов семантики. SSN определяют типы отношений как шаблоны (и таксономию отношений) для атрибутов семантического сходства, которые являются общими для отношений одного и того же типа. Представление SSN позволяет алгоритмам распространения быстрее вычислять семантическое сходство, включая условия остановки в пределах указанного порога. Это уменьшает время вычислений и мощность, необходимую для вычислений.

Более поздние публикации о сетях семантического сопоставления и семантического сходства можно найти в (Bendeck 2019). ^[7]

Приложение «Сеть семантического сходства» в сфере здравоохранения было представлено в формате обмена информацией о здравоохранении (Европейская конференция FHIR) 2019. ^{[8] [9]}

Последняя эволюция искусственного интеллекта (например, ChatGPT , основанная на большой языковой модели ) сильно зависит от эволюционных вычислений . Следующим уровнем будет включение семантической унификации (как в семантических сетях и этой сети семантического подобия), чтобы расширить текущие модели с помощью более мощные инструменты понимания.

Рекомендации

1. Р. Х. Риченс: «Общая программа для механического перевода между любыми двумя языками через алгебраический интерлингва». Кембриджский отдел языковых исследований. Механический перевод , ноябрь 1956 г.; п. 37
2. Фаузи Бендек, Тройная «онтология + модель + экземпляр (OMI) - процесс семантической унификации», на Международной конференции по достижениям в области Интернета, обработки, системных и междисциплинарных исследований (IPSI-2004), Стокгольм, сентябрь 2004 г., ISBN  86-7466- 1173 .
3. Цзян, Р.; Ган, М.; Он, П. (2011). «Построение сети семантического сходства генов для вывода о генах заболеваний». Системная биология BMC . 5 (2): 2. дои : 10.1186/1752-0509-5-S2-S2 . ПМЦ 3287482 . ПМИД  22784573. 
4. Гуцци, PH; Велтри, П.; Каннатаро, М. (2013). «Пороговое определение сетей семантического сходства с использованием метода на основе спектральных графов». Международный семинар «Новые рубежи в моделях горнодобывающего комплекса» . Чам: Спрингер. стр. 201–213. arXiv : 1305.4858 . Бибкод : 2013arXiv1305.4858H.
5. Бендек, Ф. (2008). Платформа семантического сопоставления рабочих процессов WSM-P, докторская диссертация, Трирский университет, Германия . Верлаг Доктор Хат. АСИН  3899638549.
6. П. Резник. Использование информационного контента для оценки семантического сходства в таксономии. Учеб. 14-я Международная совместная конференция по искусственному интеллекту, 448–453, 1995.
7. Бендек, Фаузи (2019). Искусственный интеллект – сети семантического сопоставления и семантического сходства, Германия . Верлаг Доктор Хат. АСИН  3843940762.
8. ФХИР Амстердам
9. Недавняя ссылка в (2017) Deep_Semantic_Similarity_Neural_Network_(DSSNN)