没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志23(2022)55全文基于映射归约技术Safia Abbasa,b,Rania Hodhodc,Mohammed El-Sheikhda沙特阿拉伯努拉·宾特·阿卜杜拉赫曼公主大学计算机和信息科学学院计算机科学系b埃及Ain Shams大学计算机和信息科学学院计算机科学系c美国哥伦布州立大学计算机科学学院d埃及开罗大学基础科学系阿提奇莱因福奥文章历史记录:2020年12月22日收到2021年3月19日修订2021年5月26日接受2021年6月11日在线提供关键词:信息检索行为树认知脚本Map-and-reduce法老A B S T R A C T人们对创建具有复杂行为的AI社交代理越来越感兴趣,这些行为允许他们进行社交互动。行为树提供了一种计划模型执行,已被广泛用于为AI社交代理构建复杂的行为。行为树可以以一种被称为认知脚本的记忆结构的形式来表示,这将使它们能够通过多次暴露于重复制定特定行为或类似行为的进一步发展而进化。共享相同上下文的行为树将能够相互学习,从而产生具有更丰富经验的新行为树主要的挑战在于从脚本库中检索上下文相似的行为树(脚本)以允许发生该学习过程的昂贵成本本文介绍了一种新的应用映射-归约技术检索认知与低计算时间和内存分配。本文重点研究了认知脚本语料库的设计,以及基于语义信息的映射-归约算法在上下文相似认知脚本检索中的应用。研究结果与文献中用于检索认知脚本的其他技术相一致,例如Pharaoh在其核心中使用了最小共同父母(LCP)技术。结果表明,映射-归约技术可以成功地用于检索认知脚本,检索准确率高达92.6%,除了是成本效益。©2022 The Bottoms.出版社:Elsevier B.V.代表计算机与信息学院开罗大学。 这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍创建能够以类似人类的方式行为的社会智能代理(SIAs)一直是人工智能研究人员的兴趣所在。SIA在不同的领域扮演着各种角色,包括游戏环境中的非玩家角色(NPC)[1],物联网辅助代理[2],叙事智能[3]和自主虚拟代理或机器人[4,5]。对于多个领域的专业研究人员来说,为社交代理表示和建模复杂的AI行为已经被归类为一项繁琐的任务。因此,我们认为,*通讯作者。电子邮件地址:samahmoud@pnu.edu.sa(S.阿巴斯),hodhod_rania@哥伦布-state.edu(R。Hodhod),mohamedelsheikh@cu.edu.eg(M. El-Sheikh)。开罗大学计算机和信息系负责同行审查。制作和主办:Elsevier已经进行了不同的尝试来对社会行为进行建模,包括手动设计的脚本、有限状态机(FSM)、机器学习技术和行为树(BT)[6,7,8,9]。所有这些技术都依赖于代理的目标和目的来建模社会行为[10,11,12]。在这些建模技术中,BT一直处于最前沿,并且是最有效的结构化模型[6],用于捕获和存储有关周围环境的所需信息[13,2]。这是由于社会行为许多研究致力于使用机器学习和图论[14]来改进和开发行为树中的学习过程,以从观察[9]或从经验[8]中学习。这些工作中的主要假设是存在感兴趣的BT;没有必要搜索类似的BT。然而,通常情况并非如此,因为可能存在这样的情况,即SIAs需要寻找类似的BT以向它们学习来处理当前情况。将BT表示为https://doi.org/10.1016/j.eij.2021.05.0051110-8665/©2022 THE COURORS. Elsevier B.V.代表开罗大学计算机和信息学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页:www.sciencedirect.comS. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5556认知脚本可以让这种学习过程通过SIAs发生。认知脚本允许在多次暴露于特定行为或类似行为的重复实施中发生变化和进一步发展。由于事件的上下文和依赖性,认知脚本的检索一直是具有挑战性的[15,16];一些事件只有在其他事件发生在它们之前才能发生,这是由先决条件关系定义的。此外,定义事件的上下文是另一个挑战,因为在脚本开始时发生的事件可能与在脚本结束时发生的事件具有不同的含义[17]。本文介绍了一种新的以认知脚本形式表示的BT检索方法。实现的方法使用的映射和减少技术检索上下文相似的脚本到当前脚本(目标)从脚本语料库。脚本的上下文信息可以通过不同的关系来捕获 , 例 如 由 ConceptNet 提 供 的 先 决 条 件 、 is-a 和 部 分 关 系 ,ConceptNet是托管在云上的巨大语义网络[18]。法老[17]也被实现,以比较其在运行时间方面与映射和归约技术的性能论文的其余部分组织如下:第2介绍了相关的工作。第三介绍了认知脚本语料库的构建、发展和第四节通过实例说明了映射归约检索方法。第5讨论了实验结果。最后,第6节提供了结论性意见和未来的工作。2. 相关工作最近,从多个电子媒体源提供的语义、非结构化异构数据中进行信息检索的重要性吸引了许多研究人员,特别是在人工智能领域[19],并且被认为是开发辅助技术时的关键挑战之一[2,12]。尽管许多研究人员已经致力于使用机器学习技术(如行为决策树、基于规则的机器学习、分类技术和强化学习行为)来解决来自BT的预测问题,但是他们都专注于简单且小尺寸的BT,其允许针对特定应用或游戏场景的有限且固定的预定未来动作。这些研究工作都没有考虑允许BT之间学习的方法,独立于特定的域或树的大小,通过检索和使用类似的BT来预测新的不可预见的动作,而不限于特定的场景/应用或预先录制的预期动作的存在[20,21,22]。因此,新的现有工作已经将重点转移到使用传感器来捕获用户行为并使用BT对其进行建模,此外还制定了优化和改进这些BT的方法,以允许更多的逻辑树用于未来的学习目标。就我们所知,在检索上下文相似的BT以允许感兴趣的BT的演变为目标的领域中还没有做任何工作将BT表示为认知脚本有助于这种检索过程,并允许在BT之间发生交叉学习。很少有工作已经完成,以检索最相关的认知-将脚本转换为目标脚本,其中大多数依赖于检索到的脚本和目标脚本中相同级别的事件之间的精确匹配[19,23,24]。这可以被看作是一个限制,因为它可能会导致丢失其他脚本,这些脚本可能足够相似,但不符合这两个要求。[17]提出了法老,一种上下文检索算法,它依赖于最小公共父(LCP)技术来查找/定义两个脚本中两个事件的公共额外事件;LCP帮助定义脚本的上下文。法老检索与目标脚本最相似的认知脚本,并根据它们的相关性组织它们。主要法老的缺点是检索时间长,尤其是涉及到大型多分支脚本[17,21]时。最近,映射和归约技术已经作为已经开发和实现的多种技术之一而蓬勃发展,以应对各种类型数据的巨大增长,并挖掘相关信息以进一步用于分类[25],调度[26,27],时间和存储优化[28,29]以及聚类[30,31,32]。尽管映射和归约技术在大数据和信息检索中得到了广泛的应用[13,14],但它并没有被认为是从认知脚本语料库中寻找和检索认知脚本的一种方法本文提出了一种新的应用程序的映射和减少技术检索相似的认知脚本的目标脚本。本文比较了映射和减少与语义知识的法老的性能Map-and-Reduce算法比Pharaoh算法具有更高的准确率和更短的检索时间。接下来的部分介绍了认知脚本语料库的结构。3. 认知脚本认知脚本的语料库由JSON文件形式的半结构化NoSQL数据和关系表形式的结构化数据组成-文件和表都由数据库引擎管理。在这一节中,详细介绍了认知脚本3.1. 认知脚本认知脚本被定义为描述日常知识以反映对事件的理解的假设心理结构[33]。认知脚本以与先前和后续事件相关联的关联事件的形式提供了对口头任务的表征[17]。本文将认知脚本用谓词的形式表示,每个节点都有一个id,代表一个事件,由动词、主语和宾语组成:动词(主语,宾语)。图1示出了用于参加音乐会的样本认知脚本,其被表示为节点和边的树,其中节点表示谓词形式的事件,并且连接的边示出了事件的时间优先级。图1还示出了分支如何在认知脚本中发生;节点303可以具有后续事件节点307或节点309。表1提供了存储在数据库中的结构化表的一个片段,该结构化表具有树节点的谓词形式3.2. 半结构化文件这项工作将BT表示为认知脚本。认知脚本中事件之间的关系从ConceptNet中检索[18],然后存储在JSON文件中。 图 图2示出了作为事件“dream”的先决条件的事件“sleep”之间的关系,该上下文信息以以下形式被添加到连接这两个事件的边:开始节点是“dream”,关系是“HasPrerequisite”,并且结束节点是“sleep”。最重要的领域是:@id:unique字段显示了开始和结束节点的短字符串,以及它们之间的关系。@type:表示类型,边或节点。weight:显示此断言中的边强度。如果是1,则这两个单词相同。end:显示断言的第二个参数的URLS. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5557表1Fig. 1. 参加音乐会的认知脚本[17]dataset:代表ConceptNet的语言,在我们的例子中是英语。surfaceText:一个句子表达了边开始的含义:显示断言的第一个参数的URL。rel:显示断言的关系类型,图。 三是考试-的关系。JSON文件作为与脚本关联的上下文信息存储在本地。这有助于在检索过程中检查此信息时减少检索时间。此外,语料库具有从www.talkenglish.com网站并以txt文件的形式存储。为了减少错误成本并增加脚本检索过程的灵活性,语料库被设计为可扩展的;当系统接收到包含新词的新脚本时,可以自动检索和存储新的上下文信息。当接收到新的脚本时,数据库引擎爬取ConceptNet以查找有关此脚本中的新词的信息例如,图4示出了新事件txt文件中的每一行都是术语“sleep”的上下文信息例如,“none”字段表示概念可以是名词、动词,或者概念由多个单词组成,然后,此信息存储在出席一场音乐会的脚本用谓语形式表示。父节点子节点内部数据库,并用于在需要时定义不同事件之间的关系。描述了爬行算法图 五、3.3. 内部关系数据库内部数据库由多个结构化关系表组成,如图所示。第六章它包含了关于节点(事件)和认知脚本中连接边的上下文信息图二. “梦”这个词的前提关系IID形式IID形式307sit_on(听众,椅子)311演唱(观众)309观众席311演唱(观众)303演出(观众,票)307sit_on(听众,椅子)303演出(观众,票)309观众席316购买(观众,票,柜台)303演出(观众,票)311演唱(观众)315go(观众,家)S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5558bed,RelatedTo,sleep,12.5373,[bed] is related to [sleep],none,none睡眠,有子事件,梦,9.797959,当你[睡眠]时可能发生的事情是[你梦],没有,没有睡眠,有先决条件,闭上眼睛,8.717798,如果你想[睡眠],那么你应该[闭上眼睛],没有,没有梦,与,睡眠,8.134126,[梦]与[睡眠]相关,没有,没有梦,有先决条件,睡眠,7.745967,在你[梦]之前你需要做的事情是[睡眠],没有,没有休息,与,睡眠,7.246241,[休息]与[睡眠]相关,没有,没有sleep,HasPrerequisite,get_in_bed,6.324555,在[sleep]之前你需要做的事情是[get in bed],none,nonegoing_to_bed,Causes,sleep,6,有时候[going to bed] causes [sleep],none,none为明天收集能量,HasSubevent,sleep,6,当[为明天收集能量]是[sleep]时你可能做的事情,none,none休息,有子事件,睡眠,6,你可能在[休息]时做的事情是[睡眠],没有,没有睡眠,动机是目标,休息,6,你会[睡眠],因为你想[休息],没有,没有睡眠,与,休息,5.688233,[睡眠]与[休息]相关,没有,没有sleep,HasPrerequisite,go_to_bed,5.656854,If you want [sleep] then you should [go to bed],none,nodream,HasSubevent,sleep,5.656854,当你[dream]时你做的事情之一是[sleep],none,nohaving_rest,Causes,sleep,5.291502,有时[having a rest] causes [sleep],none,nonebeing_tired,CausesDesire,sleep,5.291502,[Being tired] would make you want to [sleep],none,none sleep,RelatedTo,bed,5.039444,[sleep] is related to [bed],none,nonesnore,HasPrerequisite,sleep,4.89898,在[snore]之前你需要做的事情是[sleep],none,no snoring,HasPrerequisite,sleep,4.89898,[snoring]需要[sleep],none,none睡眠,与,夜,4.720593,[睡眠]与[夜],无,无图三. ConceptNet知识库中使用的关系类型。见图4。 术语“sleep”的输出txt文件图五. 爬行算法。除了关于单词的信息(例如单词类型、同义词、先决动词、每个脚本的事件及其可能的序列)之外。关系数据库的主要目的是使用SQL查询来提高脚本信息的检索时间。 图 7显示了数据库中的主要表。如图7所示,内部数据库中存在以下表格:ScriptsNames:包含每个脚本的名称及其ID。ScriptsNames:保留每个脚本的细节并存储连接事件的边的ID,使得每个认知脚本被呈现为由边连接的事件树。这些事件的详细信息可在“事件”表中找到。术语:所有认知脚本的词典事件:包含动词、主语、宾语和事件的谓语形式all_edges:表示从ConceptNet知识库检索的信息。为了说明问题,首先使用SQL查询搜索Terms表,然后将查询的输出链接到all_edges表,以检索当前术语的相应信息。如果未找到术语,系统会自动抓取ConceptNet以查找有关该术语的信息,下载并将此信息保存在内部数据库中以供将来搜索。4. 映射归约技术Map-and-Reduce是一种编程模型和相关实现,用于并行处理大数据集以减少处理时间。在许多著作中已经讨论了使用映射和归约技术进行Web查询检索●●●●●S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5559图第六章 内部数据库中的结构化表图第七章内部表的屏幕截图S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5560[31,34,35]作为一种手段,以提供快速和准确的检索。本文的工作为映射归约在知识检索中的应用提供了一个新的思路,即认知脚本的检索。使用映射-归约技术的认知脚本的检索过程如图8所示。该过程如下展开:分析目标脚本,标记化,并转换为谓词形式(语料库中的所有脚本都已经标记化,并以谓词形式表示)。为每个脚本创建一个词袋,以便稍后在检索过程中由映射和简化技术使用 检索算法如图所示。第九章4.1. 说明性示例假设用户输入了图10所示的- 第一步:基础脚本S=座位区,坐,椅子,站立,听,唱歌,唱歌,跳舞,停下来,表演,去,后台,去,家,柜台,采取,热身,说,欢迎,开始}- 第二步:假设语料库中的第一个脚本是“电影”脚本,如图所示。11;T1 =电影剧本,则见图9。Map-and-Reduce检索技术- B(T1)= {买,票,进入,剧院,买,爆米花,进入,听,坐下,看,电影,被,害怕,结束,站起来,走,回家,关闭,显示,开始}- Mapper会将B(S)和B(T1)的常用词映射成key,value >形式,如下所示:见图8。 检索过程。S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5561P见图10。 演唱会剧本。节点401|buy<,1>节点403|ticket<,1>节点401|节点412|enter <,1>节点402|输入<,1>节点404|节点410|主页<,1>节点410|start<,1>节点413。- Reducer执行以下操作:排序并减少对的数量,如下所示:<购买,2><门票,1><显示,1><输入,2>home,1>计算每个单词5.1. 准确度测量本节介绍了使用C#2020编程语言通过映射和归约技术在相同的多分支脚本上检索认知脚本的结果。表3a显示了人类参与者的结果[17]。值得一提的是,所有检索到的脚本都是有效的脚本,但有些脚本比其他脚本更相似,这就是为什么在评估结果时没有考虑顺序的原因[17]。为了本研究的目的文字被添加到语料库中,以表明没有关系,词买票显示进入回家起始总数电话:+86-0510 - 8888888传真:+86-0510 - 8888888evant脚本。表4显示了法老[17]的结果和我们的结果从应用映射和简化技术。为了为了比较这两种技术的性能,将检索到的脚本与表3中的人工结果进行比较,● 计算相似性Sim(S,T1)=1TFTW1TSim(S,T1)= 0.455. 实验结果及分析出于本研究的目的,我们采用了[17]中使用的相同语料库,并添加了一个空脚本以使结果清晰该数据库有131个节点和超过262个单词,表2显示了脚本所有脚本都经过预处理,并存储在第2节前面所述的半结构化数据表单中。将本工作中通过映射和归约获得的结果与法老在[17]中获得的结果进行比较。以下小节介绍了这两种技术检索过程的准确性和时间建立了矩阵如表5所示,映射和归约技术提供了比Pharaoh更高的准确度、精确度、召回率和特异性。调和平均值(F1)显示了映射和归约技术优于法老。这表明,映射和减少技术与概念网可以有效地用于上下文检索相似的认知脚本的查询脚本。5.2. 时间性能测量为了进行这项比较研究,我们实现了Pharaoh[17],这样我们就可以使用相同的硬件、操作系统和编程语言来比较它与map-and-reduce的成本。本小节重点比较法老和map-and-reduce使用线程和不使用线程时的检索时间如图所示S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5562见图11。 电影剧本。表2用于评估的存储脚本。表3基于人类参与者检索的脚本。IID名称节点数查询脚本人类参与者选脚本SCR1逮捕7逮捕空脚本空脚本空脚本Scr2购车16购车药房点一杯饮料空脚本SCR3电影院13电影院体育场音乐会古典SCR4古典17古典音乐会电影院体育场SCR5音乐会20音乐会古典电影院体育场SCR6点一杯饮料10点一杯饮料餐厅药房购车SCR7药房12药房点一杯饮料餐厅购车Scr 8餐厅21餐厅点一杯饮料药房购车Scr 9体育场15体育场电影院音乐会古典Scr 10简体中文0表4基于Map-Reduce法老的检索脚本。查询脚本理解map-and-ReduceTechniquenullNullNull法老零NullNull购车点一杯饮料电影院体育场药房NullNull电影院体育场古典音乐会体育场音乐会古典古典音乐会电影院体育场音乐会电影院体育场音乐会古典体育场电影院古典电影院体育场点一杯饮料餐厅药房体育场体育场音乐会电影院药房餐厅点一杯饮料购车餐厅购车Null餐厅点一杯饮料药房购车药房NullNull体育场电影院音乐会古典电影院音乐会古典在表6中,Pharaoh遭受高检索时间,这使得它是使用昂贵的算法,特别是对于大尺寸脚本和大语料库。另一方面,映射和减少技术显示出较低的检索时间,这使得它成为一个具有成本效益的算法,用于大型语料库的脚本。为例如,表6显示了使用Pharaoh检索与目标'逮捕脚本'相似的脚本的时间超过三秒,而使用map-and-reduce检索时间为了进一步研究,我们使用线程实现了这两种技术,以查看线程可以加快多少检索速度。S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5563TPþ精度回忆(灵敏度)TP TNTNTP89% 74%公司简介TP89% 74%TPFFNF12*Precisionωrecall查全率89% 74%特异性TN94% 87%公司简介-表6使用非线程编程的认知脚本的检索时间认知能力法老(ms)映射和归约(ms)BT和类似BT的适当检索过程是允许该学习过程发生的关键。认知脚本可用于表示BT并允许租车_买车31013206630725它们通过分配和检索相似的可以学习的东西语境相似认知电影院3156677剧本不仅要找到合适的剧本,还可以在合理的时间内检索该脚本,特别是当考虑大尺寸脚本和/或大语料库本文药房3239700研究了一种新的表示的BT作为认知脚本和餐厅3045697使用映射和归约技术来检索上下文SIM,体育场3167667在很短的时间内完成一个学习的第一步平均时间3142 694表7使用线索的认知脚本的检索时间。认知能力法老(ms)Map/Reduce(ms)在BT之间可能发生的过程将结果与应用Pharaoh获得的结果进行比较,Pharaoh是我们知识的范围,是过去用于上下文检索认知脚本的唯一算法进行了双比例z检验,以确定标测图的准确度比例是否显著大于租车_买车17241790350311使用R.结果表明映射和归约的精确度比例明显更高电影院1673336法老的准确率比例,p值= 0.05古典1801291两种技术的p值分别为0.13其他结果表明映射和归约技术在准确性、特异性和灵敏度方面优于现有的算法,如法老餐厅1660298除了计算上便宜之外,因为它减少了计算量,体育场1715338法老所用时间的80%平均时间1728 315cess. 表7显示了使用线程如何将这两种技术所花费的时间减少到表6中报告的实际时间的一半。来自表6和表7的结果是有希望的,因为它们显示了映射和归约技术在非常短的时间内成功地检索与查询脚本相似的认知脚本的能力,特别是使用线程,因为它仅花费了Phar所花费的原始时间的10%这表明如何将map-and-reduce有效地用于大型脚本和/或大型语料库。这些结果为SIAs找到类似的BT并从中学习以丰富他们的经验并允许更复杂的行为开辟了新的舞台6. 结论行为树已被广泛用于表示社会智能主体的复杂行为。许多作品都集中在使用具有有限动作集的BT,以允许SIAs的社会接受行为或预测特定领域或场景中的未来行为。然而,没有太多的考虑可能发生在类似领域之间的学习,这可能会使这些BT的丰富和新的行为出现,而不是依赖于预先录制的一套行动。选择正确的代表研究结果表明,将语义树表示为认知脚本有助于相似BT的上下文检索,SIAs可以从中学习并丰富其当前经验。未来的工作将集中在实现BT之间的学习过程表示为认知脚本,新生成的BT的评价模型的开发,以及行为预测技术的应用检索到的认知脚本(S),以帮助预测未来的行为在类似的领域。竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。确认这项研究是由努拉·宾特·阿卜杜拉赫曼公主大学科学研究主任通过快速研究资助计划资助的。引用[1] Flórez-Puga,G. Gomez-Martin,M.,Diaz-Agudo,B.,&Gonzalez-Calero,P.,“行为树的动态扩展。在Proceedings of Artificial表5最多3个相似的混淆矩阵脚本检索过程。映射和缩减(Map-and-Reduce)法老(Pharaoh)真假真假实际(专家意见)精度TTrueFFalse中文(简体)简体中文(中国)Map-and-ReduceFN(3)中文中文(简体)中文(简体)FN(7)中文古典3153757音乐会3140739点一杯饮料3075660音乐会1905374点一杯饮料1650272药房1633261S. 阿巴斯河,巴西-地Hodhod和M.沙伊赫埃及信息学杂志23(2022)5564智能和交互式数字娱乐会议”,AAAI出版社,页。36-41,2008年10月。[2] Francillette,Y.,Bouchard,B.,Bouchard,K.,&Gaboury,S,[3] 李,B.,Lee-Urban,S.,Appling,D.美国,&Riedl,M. O.,‘‘Crowdsourcingnarrative intelligence”, Advances in Cognitive systems, Vol. 2, No. 1,[4] Türn aBucucaBucuC,MontañaJL,OntañónS,GonzálezAJ,PardoLM. 基于概率有限自动机的行为建模:实证研究。传感器2012年5月;16(7):958.[5] [10]杨文,李文,李文.导航平台游戏的进化行为树方法。IEEE Trans Comput IntellAI Games2017;9(3):227-38.[6] Toubman,A.,Poppinga,G.,Roessingh,J. J.,侯,M.,洛齐宁湖勒夫利德河一、...&图尔恰尼克湾 (2015,11月)。 用机器学习技术建模CGF行为:需求和未来方向。在2015年服务/行业间培训,模拟和教育会议记录中会议(pp. 2637-2647)。[7] Diller,D.E、弗格森,W.,Leung,A.M.,Benyo,B.,Foley,D., 在2004年建模与仿真中的行为表示会议(BRIMS)的会议记录中。2004年5月17日至20日[8] KamraniF,Luotsinen LJ,Lingvlid RA. In:使用数据驱动的建模方法学习目标代理行为。IEEE; 2016年10月p. 002175- 81[9] Luotsinen LJ,Kamrani F,Hammar P,Jändel M,Løvlid RA.在:进化的创造性智能的计算机生成的力量。IEEE; 2016年10月。第3063- 3070页。[10] ChaariT,Ejigu D,Laforest F,Scuturici VM. 一种全面的方法来建模和使用上下文,以适应普适环境中的应用程序。J SystSoftw 2007;80(12):1973-92.[11] BouchardK,Ajroud A,Bouchard B,Bouzouane A. SIMACT:一个用于活动识别的3D开源智能家居模拟器。Berlin,Heidelberg:Springer. p. 524- 33[12] Bouchard,B.,Gaboury,S.,Bouchard,K.,&Francillette,Y.,67-74,2018年6月。[13] 戴伊河&儿童,C.,‘‘Ql-bt: Enhancing behaviour tree design and 1-8)。IEEE,2013年8月。[14] Zhang Q,Yao J,Yin Q,Zha Y.具有混合约束进化的自主代理的学习行为树。 应用科学2018;8(7):1077.[15] Bazire M,Brézillon P.在:使用前理解上下文。柏林,海德堡,7月:Springer;2005。p. 29比40[16] 霍霍德河Magerko,B.”法老:计算创造性代理的认知脚本的概念混合2014年5月[17] 霍霍德河Magerko,B.,&Gawish,M.,''法老:基于上下文的结构化检索的认知脚本”,国际信息检索研究杂志(IJIRR),第2卷,第3期,页。58-71,2012年。[18] 施佩尔河,&哈瓦西角“在ConceptNet 5中表示一般关系知识”,在LREC中,pp。3679-3686,2012年5月。[19] Tamine-Lechani,L. Boughanem,M.,&达乌德,M.,”上下文信息检索有效性的评估:问题和研究24,No.1,pp.1-34,2010年。[20] 傅延昌、秦龙、尹全军。A Reinforcement Learning Behavior Tree Framework forGame AI , 在 第 二 届 经 济 学 、 社 会 科 学 、 艺 术 、 教 育 和 管 理 工 程 国 际 会 议(ESSAEME 2016)上发表。573-579,2016。[21] [10]张文,张文. Behavdt:行为决策树学习构建以用户为中心的情境感知预测模型。移动网络和应用2020;25(3):1151-61。[22] 萨克岛基于机器学习的真实手机数据鲁棒预测模型。物联网2019;5:180-93。[23] Tseng,E.,&Braginsky,D.(2018年)。‘‘Providing context relevant search fora user based 专利号九百九十七万八千零二十二。华盛顿特区:美国专利商标局[24] 放大图片作者:ElMougi AM,Omar YM,Hodhod R.一种自动生成认知图的评价模型 。 International Journal of Advanced Computer Science andApplications(IJACSA)2019;10(8):333-40.[25] Dkillannis,P.,Loidl,H. W.,&Kouidi,E.,“Improving the diagnosis of mildhypertrophic cardiomyopathy with mapreduce”,第三届MapReduce及其应用国际研讨会论文集,pp. 41-48,2012年6月。[26] 萨维奇·N 通过机器学习更好的医学 Commun ACM 2012;55(1):17-9.[27] Mantha ,P. K. ,Luckow ,A. ,&Jha,S. ,”Pilot-MapReduce :an extensibleand flexible MapReduce implementation for distributed data第三届MapReduce国际研讨会及其应用日期,pp。17-2012年6月24日[28] 吉利D通过重复数据删除减轻存储负担。计算机2008;41(12):15-7.[29] Sethi P,Kumar P.利用Hadoop框架开发重复检测器并使用Mapreduce,Hive和Pig进行分析。2014年第七届当代计算国际会议(IC3)。p. 454比60[30] Ye K,Jiang X,He Y,Li X,Yan H,Huang P. Hadoop:A scalable HadoopvirtualclusterplatformforMapReducebasedparallelmachinelearningwithperformance consideration.在:在2012年IEEE集群计算研讨会国际会议。p.一 百 五十二比六十[31] Liao,J.,赵玉,&Long,S.,“MRPrePost-A parallel algorithm adapted for miningbig data”,2014 IEEE Workshop on Electronics,Computer and Applications,pp.564-568,IEEE,2014年5月。[32] Assunçao,J.,Fernandes,P.,洛佩斯湖&Normey,S,425-426,2013年6月[33] 汉森,K.,“认知脚本理论。《儿童、青少年和媒体百科全书》,第100页。186-188,2007年。[34] Chawda,B.,古普塔,H.,Negi,S.,Faruquie,T.一、苏布拉马尼亚姆湖五、莫哈尼亚,M. K., 463-474,2018年。[35] Hashem IAT,Anuar NB,Gani A,Yaqoob I,Xia F,Khan SU. MapReduce:回顾和开放挑战。Scientometrics2016;109(1):389-422.首席执行官Safia Abbas自2019年起担任KSA Nourah BintAbdulrahman公主大学计算机与信息科学学院计算机科学系副教授,并于2016年至2018年担任埃及开罗Ain Shams大学副教授。2006年至2011年,她获得了博士学位。来自日本新潟大学研究生院科学技术研究科。她工作的一个重要主题是群体优化器,云安全以及使用机器学习和数据挖掘的医疗诊断。Rania Hodhod是美国哥伦布州立大学计算机科学学院的副教授和助理主席。她有博士学位英国约克大学计算机科学专业。她在人工智能、机器学习、智能系统和严肃的游戏作为以及作为70+这些领域的同行评审出版物。她是2020年CSU年度国际教育家,2019年CSU研究奖学金奖和2017年CSU教学奖学金奖的持有者。她是格鲁吉亚校长的学习学者从2018-2020的大学系统穆罕默德·阿卜杜勒·萨拉姆·谢赫(Mohamed Abd el-SalamEl-Sheikh)是埃及开罗大学基础科学系的他有一个Ph。D.埃及开罗大学计算机科学专业。他持有埃及Hel-wan大学计算机科学硕士
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功