基于知识元理论的应急文档结构化建模
基于单元整体设计的结构化教学策略
㊀５３㊀基于单元整体设计的结构化教学策略ʌ基金项目ɔ江苏省中小学教学研究第十三期重点课题 小学数学单元整体教学的实践研究 (课题编号:２０１９ＪＫ１３－ＺＢ６０)ꎮʌ作者简介ɔ马旭光ꎬ本科ꎬ高级教师ꎬ苏州市数学学科带头人ꎬ研究方向:数学教学ꎻ朱俊华ꎬ本科ꎬ高级教师ꎬ淮安市天津路小学副校长ꎬ淮安市数学学科带头人ꎬ研究方向:数学教学ꎮ马旭光１ꎬ朱俊华２(１.苏州科技城西渚实验小学校ꎬ江苏㊀苏州㊀２１５１６３ꎻ２.淮安市天津路小学ꎬ江苏㊀淮安㊀２２３００５)ʌ摘㊀要ɔ单元整体设计是把具有相同或者相似的一类知识以单元的视角进行关联思考和整体设计ꎬ师生通过对教材相关联知识的整体梳理和理解ꎬ实现知识的整体建构ꎮ实施单元整体设计可以让教学从课时到单元ꎬ促进学生整体认知ꎻ从割裂到关联ꎬ促进学生迁移理解ꎻ从散点到结构ꎬ完善学生的认知结构ꎻ从无序到有序ꎬ促进学生经验生长ꎮʌ关键词ɔ单元整体设计ꎻ结构化教学ꎻ小学数学ʌ中图分类号ɔＧ６２３.５ʌ文献标识码ɔＡ㊀㊀ＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００５－１０５８.２０２１.０５.０１２㊀㊀数学课程是一种结构性㊁系统性很强的知识整体ꎬ囿于儿童的年龄特征和认知限度ꎬ教材在编排过程中以课时方式呈现学习内容ꎬ势必会造成人为的知识分割ꎬ这样既割裂了知识之间的联系ꎬ也不利于数学方法之间的融通和迁移ꎮ如果我们的教学也不作改变ꎬ那么学生获取到的知识就会是碎片化和散点状的ꎬ这样离散式教学不利于学生学科素养的形成ꎮ所以ꎬ基于单元整体设计的结构化教学既是核心素养时代应有的实践样态ꎬ更是一种符合当下学生素养发展的前瞻理念ꎮ一㊁从 课时 到 单元 ꎬ促进学生整体认知«义务教育数学课程标准(２０１１年版)»指出:数学知识的教学ꎬ要注重知识的 生长点 和 延伸点 ꎬ把每堂课教学的知识置于整体的知识体系中ꎬ注重知识的结构和体系ꎬ处理好局部知识与整体知识之间的关系ꎬ引导学生感受数学的整体性ꎬ体会对数学知识可以从不同角度加以分析ꎬ从不同层次加以理解[１]ꎮ单元整体设计是实现数学知识结构化和学生认知的结构化的重要载体ꎬ是把具有相同或者相似的一类知识以单元的视角进行关联思考和整体设计ꎬ师生通过对教材相关联知识的整体理解ꎬ实现知识的整体建构ꎮ崔允漷教授强调: 单元整体教学中的 单元 和教材的单元是有区别的ꎬ这里的单元是一种学习单位㊁一个完整的学习故事ꎮ [２]第一ꎬ从学理层面理解ꎬ单元整体教学符合系统论的相关原理ꎮ系统论的整体原理也提出了知识整体性的观点ꎬ把系统看作 是由具有相互联系㊁相互制约的若干组成部分结合在一起并且具有特点功能的有机整体 [３]ꎮ单元整体教学是建立数学知识关联性的有效手段ꎬ是把孤立知识整合在一起的积极措施ꎮ显然ꎬ单元整体教学符合系统论整体原理的基本要求ꎮ第二ꎬ从教学层面理解ꎬ单元整体教学有助于教师系统地梳理并理解教材ꎮ美国教育心理学家布鲁纳强调: 不论我们教什么学科ꎬ务必使学生理解学科的基本结构ꎮ [４]单元整体教学要求教师不仅站在数学学科的整体视角去思考和分析问题ꎬ还要能够和其他学科进行整合和研究ꎬ建立知识结构ꎬ形成知识网络ꎮ作为教师ꎬ首先我们要搞清楚知识的来龙去脉ꎬ把握知识的结构ꎬ系统地理解教材ꎮ第三ꎬ从学习层面理解ꎬ单元整体教学能够帮助学生形成整体性思维ꎬ正如课程标准所说ꎬ学生学习数学要能体会数学知识之间㊁数学和其他学科之间㊁数学和生活之间的联系[５]ꎮ二㊁从 割裂 到 关联 ꎬ促进学生迁移理解布鲁纳认为:掌握事物的结构ꎬ就是允许许多别的东西与它有意义的联系起来的方式去理解它ꎮ简单地说ꎬ学习结构就是学习事物是怎样相互关联的[６]ꎮ单元整体关联包括单元内部各元素的联系ꎬ也包括不同单元内容㊁同领域内容的整体关联ꎬ所以我们在分析教材时ꎬ既要横向梳理ꎬ找准知识的内在联系ꎬ又要纵向梳理ꎬ实现知识的上下贯通ꎬ还要纵横融通ꎬ立体式呈现体现知识的整体建构ꎮ一是横向梳理教材ꎮ横向梳理就是把具有共同特征的知识点组成一个整体ꎬ以单元的视角组织教学ꎬ凸显知识的内在联系ꎮ比如ꎬ教学 平面图形的认识 ꎬ小学阶段学生先后认识了长方形㊁正方形㊁平行四边形㊁三角形㊁梯形㊁圆等图形ꎮ虽然教材把它们编排在三个年级分别学习ꎬ但是教学时应该具有整体视角ꎬ抓住它们之间的相同点和不同点进行研究和学习ꎮ无论哪个图形都是通过边㊁角㊁顶点㊁高等几个关键元素进行研究的ꎬ图形之间的不同点除了特征的不同以外ꎬ元素与元素之间也有区别ꎬ尤其是圆的特征相比其他图形明显不同ꎬ教学时要引导学生抓住它们的联系和区别展开重点研究ꎮ二是纵向梳理教材ꎮ纵向梳理是指把一类具有内在逻辑关系的知识串成一条知识链ꎬ打破原来的固有单元割裂的限制ꎬ把相同单元内容㊁领域和学科内外的知识㊁方法和思想关联起来ꎮ比如ꎬ教学 高的认识 ꎬ教材第一次学习高是在认识三角形时ꎬ并且是通过生活中人字梁的高度引入的高的理解ꎬ其实这远远不够ꎬ也会让学生产生认知负迁移ꎬ认为高只能是垂直方向ꎮ教学时不仅要把垂直线段㊁点到直线的距离㊁两平行线之间的距离㊁生活中的高等联系起来思考ꎬ让学生整体理解高的本质内涵ꎮ还要把三角形㊁平行四边形㊁梯形的高联系起来研究ꎬ发现它们之间的相同点和不同点ꎬ甚至还要引导学生思辨长方形㊁正方形㊁圆等图形的 高 ꎬ为什么教材中不研究这些图形的高?这些图形有没有高?等等ꎬ这样纵向贯通的教学才能让学生对于高的理解更加深刻㊁通透ꎮ三是合纵连横梳理教材ꎮ浙江大学盛群力教授说: 将一组知识技能的掌握置于完整的任务中驱动学习ꎬ既见整体ꎬ又精局部ꎬ进行结构化㊁系统化设计ꎮ 纵横融通ꎬ就是在完整任务中既要横向并联ꎬ也要纵向串联ꎬ达到各种相关联知识的相互融通ꎬ把数学学习放在一个更大的思维场域中思考ꎬ实现整体建构ꎮ比如ꎬ教学 异分母分数加减法 ꎬ学生紧紧围绕 异分母分数加减法如何计算? 和同分母分数加减法有什么区别? 分母不同为什么不能直接计算? 分数加减法和整数㊁小数加减法又有什么联系和区别? 等几个关键问题展开讨论ꎮ学生在纵向梳理中发现异分母转化成同分母的原因是分数单位不同不能直接相加减ꎮ仅仅有纵向梳理还远远不够ꎬ异分母分数加减法还要和整数㊁小数的加减法关联起来思考ꎬ无论是整数的末尾对齐ꎬ还是小数计算中的小数点对齐ꎬ都是为了把相同计数单位统一才能相加减ꎮ这样ꎬ不仅打通了知识之间的横向联系ꎬ也实现了知识的纵向融通ꎬ有利于学生整体思维的生长ꎮ三㊁从 散点 到 统整 ꎬ完善学生认知结构教材在编排单元的时候其实已经考虑到相关类的集合ꎬ是一类相同㊁相似知识结构的组合㊁排列ꎮ那么教师在处理教材时ꎬ就需要有整体视角ꎬ本着整体性和结构性教学思路ꎬ寻找相关知识㊁方法和思想的连接点ꎬ统整相关教学资源ꎬ达到帮助学生整体建构知识的目的ꎮ同时ꎬ结构化教学ꎬ既要考虑目标结构㊁知识结构㊁方法结构ꎬ更要关注学生认知结构㊁思维结构和心理结构ꎬ只有这样才能实现数学知识结构与学生认知结构同构共生㊁同生共长㊁协调互动ꎮ一是聚焦目标结构ꎬ彰显单元教学核心价值ꎮ单元整体教学追求目标的聚焦ꎬ无论是一节课还是单元整体教学ꎬ都应该围绕核心目标ꎬ具有延续性和统领性ꎮ小学数学学习内容具有整体性ꎬ涉及小学数学知识核心元素的结构ꎬ由此而引发学习目标的整体建构ꎬ包括学什么㊁为什么学以及怎么去学与学到什么程度的整体把握ꎮ比如ꎬ苏教版中的解决问题的策略 教学ꎬ教材先后编排了从条件想起㊁从问题想起㊁列表㊁画图㊁列举㊁转化㊁假设等策略教学ꎮ从目标的角度理解他们具有共通性ꎬ都是为了培养学生运用策略解决问题的意识ꎬ提升解决实际问题能力ꎬ积累数学活动经验等ꎮ而在每一学期学习不同策略的时候ꎬ也都要让学生有从局部去感受每种策略的优越性和解决问题的适切性ꎮ这样到了高年级ꎬ学生才会渐渐形成灵活运用各种策略解决问题和系统思考问题的能力ꎮ二是聚焦知识结构ꎬ架构单元教学知识体系ꎮ数学知识之间存在着千丝万缕的联系ꎬ有着完整的结构ꎮ某种意义上ꎬ数学教材将数学知识分门别类只是为了教学的需要ꎬ教学时要立足知识整体ꎬ以整体视角把握不同知识点之间的联系ꎮ同时ꎬ教师要变 碎 为 整 :用瞻前顾后㊁左顾右盼的眼光解读教材ꎬ洞察每一个知识点的源与流ꎬ把握知识的来龙去脉ꎮ所以ꎬ单元整体教学有利于培养学生思维的深刻性ꎬ有利于让学生 见树木ꎬ更见森林 ꎬ有利于把相关的知识点能动地纳入学生的原有认知结构之中ꎮ比如ꎬ教学 认识分数 ꎬ分数意义的理解无疑是教学的重点ꎬ因为抽象ꎬ学生无法一次性完全理解ꎬ教材主要是分三个阶段认识和理解分数５４㊀㊀的意义ꎬ分别是三年级上册 把一个物体平均分 ㊁三年级下册 把一个整体平均分 ㊁五年级下册 把单位 １ 平均分 ꎮ教学时ꎬ教师需要有整体意识和全局眼光ꎬ始终围绕 什么是分数? 展开研究ꎬ学生分别经历把一个物体平均分成几份ꎬ表示这样的几份就是分数ꎬ把一个整体平均分成若干份ꎬ表示这样的几份就是分数ꎬ把单位 １ 平均分成几份ꎬ表示这样的一份或几份的数就是分数ꎮ尤其是单位 １的理解更为重要ꎬ单位 １ 不仅可以表示一个物体㊁一个计量单位㊁一个图形ꎬ还可以表示一个整体ꎮ三是聚焦方法结构ꎬ促进单元教学的策略迁移ꎮ小学数学单元整体教学是建立在知识系统和学生已有认知基础之上ꎬ以整体建构为抓手ꎬ在知识自主建构过程中形成方法结构ꎮ方法结构的形成遵循了学科整体性建构的本质特征ꎬ遵循了数学知识内在的逻辑机理ꎬ通过结构化㊁模块式的意义重构和递进式教学推进ꎬ逐步帮助学生建立清晰的知识结构ꎬ以及探索知识的方法结构[７]ꎮ比如ꎬ教学 多边形的面积 ꎬ除了让学生掌握各平面图形面积计算方法以外ꎬ更重要的是积累活动经验ꎬ探索一般推导方法ꎮ所以ꎬ类化方法结构无疑是本单元教学的重点ꎬ教师在教学中就要有单元设计的意识ꎮ苏教版五年级上册集中学习了平行四边形㊁三角形和梯形的面积计算ꎬ其实在四年级学习图形的认识时ꎬ教材就有意识安排了 探索与实践 :(１)你会把一个平行四边形先分成两个图形ꎬ再通过平移得到一个长方形吗?(２)用两个完全一样的梯形(三角形)ꎬ拼成一个平行四边形ꎬ看看底和高之间有什么联系?这样的活动目的就是提前给孩子铺垫平面图形面积公式推导的一般方法ꎬ把未知的图形转化为已经学过的图形ꎬ再通过相关元素之间的关系探索面积计算公式ꎮ四㊁从 无序 到 有序 ꎬ促进学生经验生长序ꎬ是事物的结构形式ꎬ指事物或系统组成诸要素之间的相互联系ꎮ小学数学单元整体教学是以知识的关联性和整体性重构教学单元ꎬ立足儿童的认知结构ꎬ体现数学学科知识的完整体系ꎬ让学生从整体上把握数学知识的本质ꎬ理解知识结构脉络ꎬ不断完善思维结构ꎬ逐步形成结构化思维ꎮ那么ꎬ无论是思考问题还是开展数学活动都要有一定的规则和序列ꎬ既遵循儿童的认知规律ꎬ又符合数学知识的探索规律ꎮ一是以儿童的认知需求为基础ꎬ改变教材呈现序列ꎮ教学中ꎬ我们要有悦纳 意外 的心态ꎬ遵循儿童的思维特点ꎬ适时改变教学的序ꎮ比如ꎬ教学 运算律 ꎬ教材的编排顺序是先学习加法交换律㊁结合律以及运用加法运算律进行简便计算ꎬ再学习乘法交换律和结合律和乘法简便计算ꎮ可是在教学中ꎬ学生研究完加法交换律㊁加法结合律后ꎬ好奇地问:加法有这样的运算律ꎬ那么减法㊁乘法㊁除法是不是也同样有这样的运算律呢?笔者在教学时ꎬ并未回避学生的问题ꎬ而是因势利导组织学生探究ꎬ他们运用刚刚活动经验开展研究并发现乘法和加法一样也有交换律和结合律ꎬ而减法和除法没有ꎮ这样的教学不仅极大地调动学生的学习兴趣ꎬ同时他们的认知能力㊁推理能力㊁类比迁移能力都得到发展ꎮ对于学生而言ꎬ能够提出这样的问题ꎬ本身就是系统性思维的体现ꎮ二是以数学的本质内涵为基础ꎬ变换活动探究序列ꎮ有序的数学活动是数学知识探究的重要载体ꎬ数学活动要便于学生找到知识之间的关系ꎬ发现知识的规律和特点ꎬ有助于开展数学推理ꎬ帮助他们积累活动经验ꎮ比如ꎬ教学 圆的认识 ꎬ教材分别安排两个活动ꎬ先认识圆心㊁半径和直径等元素ꎬ再探索相关特征ꎮ其实ꎬ完全可以把两个活动进行整合ꎬ设计成一个活动ꎬ并经历这样几个步骤: (１)画圆:在本子上任意画几个大小不同㊁位置不同的圆ꎻ(２)折圆:任意对折圆纸片ꎬ把不同的折痕描出来ꎻ(３)思考:把画圆和折圆联系起来想想ꎬ有什么新的发现?这样整合以后的活动ꎬ学生不仅能自主发现圆心㊁半径㊁直径等元素ꎬ理解它们的含义ꎬ还能很快发现这些元素的特征和相互之间的关系ꎮ以半径为例ꎬ学生发现:(１)认识半径ꎮ半径是画圆时圆规两脚之间的距离ꎬ也是折圆过程中的折痕(两次对折)ꎮ(２)感受半径无数条特征ꎮ画圆时圆规连点成线ꎬ每一个点都可以和圆心连成半径ꎬ折圆时ꎬ可以无数次对折ꎮ这样ꎬ学生对于元素的发现和特征的理解更加直观㊁深刻㊁通透ꎮһ参考文献:[１][５]中华人民共和国教育部.义务教育数学课程标准(２０１１年版)[Ｓ].北京:北京师范大学出版社ꎬ２０１２. [２]崔允漷.指向深度学习的学历案[Ｊ].人民教育ꎬ２０１７(２０):４３－４８.[３]王雨田.控制论㊁信息论㊁系统科学与哲学[Ｍ].北京:中国人民大学出版社ꎬ１９８８:４０１.[４][６]布鲁纳.教育过程[Ｍ].邵瑞珍ꎬ译.北京:文化教育出版社ꎬ１９８２.[７]汤雪峰.小学数学整体教学的认识与实践类型[Ｊ].福建教育ꎬ２０１８(２３):４０－４２.㊀５５㊀。
小学英语单元教学中结构化知识的建
小学教学计·英语2022/12文潘志琴一、结构化知识的内涵和意义结构化知识本质上是一种图式，内部“有层次和隶属关系，上层为抽象概括的知识，下层为具体特殊的知识”（赵连杰，2020）。
基于单元主题的结构化知识，涉及到显性的语言知识和文化知识的关联，也有隐性的思维能力、文化意识、语言能力等课程目标要素的综合，各课程要素围绕结构化知识形成了一个关联的整体，通过单元活动的设计，指向了英语学科所要培养的核心素养。
结构化知识的提炼和运用，对小学英语单元教学具有重要意义。
1.有利于形成单元整体育人情境《义务教育英语课程标准（2022年版）》（以下简称《新课标》）提出要推动单元整体教学，其目的就是让教师立足于单元整体育人目标，对单元的不同板块、主题情境以及教学资源进行深入分析和灵活运用，去设计促进学生素养发展的分课时学习活动。
而推动单元整体教学的重要中介就是结构化知识。
因为单元结构化知识的形成有赖于语篇、主题和情境，立足语篇，提炼结构化知识，再以主题为线，整合和串联各个板块，通过结构化活动的推进，在情境活动中知识与技能、知识与文化等融会贯通，形成单元整体育人情境。
2.有利于深入探究单元主题意义主题为语言学习提供主题范围或主题语境，学生对主题意义的探究应是学生学习语言最重要的内容，直接影响学生语篇理解的程度、思维发展的水平和语言学习的成效（教育部，2020）。
主题贯穿整个单元，结构化知识的建构和运用，使学生在单元不同课时学习中，从基于语篇的结构化知识的学习理解，到深入单元的结构化知识的实践运用，最后利用结构化知识去解决新问题，在深入探究主题的过程中，逐步形成正确的价值观、人生观，也促进了学生知识和能力向素养的转化。
3.有利于培养学生主体参与意识结构化知识的建构使学生的参与成为可能。
因为结构化知识的形成首先是一个主体建构的过程，是学生在教师带领下对知识的梳理和归纳，是思维的可视化表现。
结构化知识的运用和迁移，同样离不开学生的主体参与。
化学教学内容的结构化设计
中教学参考E 川 A M 丨t E < ANkLAO 2021年第5期(总第541期}』^f i a n 课改在线化学教学内容的结_化设计黄泰荣王辉*(华南师范大学化学学院广东广州510006)摘要：化学教学内容的结构化设计是实现“知识为本”教学向“素养为本”教学转变的有效途径，有利于促进学生化学学科知识向化学学科核心素养的转化。
化学教学内容的结构化设计主要有基于“知识关联”、基于“认识视角”、基于 “认识思路”和基于“核心观念”四种形式。
关键词：化学教学内容；结构化；学科核心素养;认识思路;核心观念文章编号：1002-2201 (2021) 05 _842 中图分类号:〇632.4 文献标识码：B《普通高中化学课程标准（2017年版）》m (以下简 称“新课标”）在课程理念上发生了较大变化，指出：“重 视开展‘素养为本’的教学，重视教学内容的结构化设 计。
”“化学教学内容的结构化设计”作为一个新的理念 要点，首次在国家正式出台的课程文件中提出，意义重 大。
因此，非常有必要对“化学教学内容的结构化设计” 的相关问题进行探讨。
一、化学教学内容结构化设计的必要性 发展学生的化学学科核心素养，是当前化学课程教 学改革的旗帜和标志。
如何实现基于化学知识点的教、 学、评向基于化学学科核心素养发展的教、学、评转变， 成了本次改革的难点之一[2]。
而化学教学内容的结构 化设计则为实现这种转变提供了突破口和有效途径。
结构化，意味着联系、关联[2]。
化学教学内容的结 构化设计，要求教师基于化学学科思维方式和方法，将化学学科知识关联起来，从中抽提认识视角、认识思路 和核心观念。
对教师而言,化学教学内容的结构化设计 有利于教师挖掘化学学科知识在化学学科核心素养发 展方面的独特价值，实现“知识为本”教学向“素养为 本”教学的转变;对学生而言，结构化的化学教学有助于 学生在化学知识结构化的自主建构中形成认识视角和认识思路，理解化学核心观念，从而实现化学学科知识 向化学学科核心素养的转化（见图1)。
应急数据模型
应急数据模型全文共四篇示例，供读者参考第一篇示例：应急数据模型是指针对紧急情况或突发事件，通过数据管理和分析构建的一种模型，旨在帮助组织在灾难发生时更快地做出反应和决策。
随着信息技术的不断发展，大量信息数据被积累和存储，应急数据模型的重要性也日益凸显。
应急数据模型包括数据的收集、整合、分析和应用等环节。
首先是数据的收集，这包括从各种数据源中获取相关信息，如传感器、监控系统、社交媒体等，确保获取的数据是全面、准确、更新的。
接下来是数据的整合，将各个来源的数据进行整合，建立完整的数据体系，以便更好地进行分析和应用。
然后是数据的分析，通过对数据进行挖掘和分析，找出其中的规律和趋势，为应急决策提供支持和参考。
最后是数据的应用，将分析结果转化为实际行动，指导组织做出适时的反应和决策。
应急数据模型可以帮助组织在灾难事件发生时更好地做出反应和决策。
应急数据模型能够提供数据支持，为决策者提供全面、及时的信息。
通过数据分析，可以更好地了解灾害的范围、影响和趋势，为应急决策提供科学依据。
应急数据模型可以帮助组织进行应急预案的制定和优化。
通过模拟各种灾难情景，找出最佳的应急方案，并不断优化提高，提高组织的应急响应效率和能力。
应急数据模型可以提高组织的危机管理能力。
通过对历史数据和实时数据的分析，可以了解灾害事件的规律和特点，为危机管理提供经验和参考。
应急数据模型还可以帮助组织做好预案演练和培训。
通过模拟各种情景和对应的应急响应措施，提高组织成员的应急反应速度和能力。
还可以通过数据挖掘和分析，不断改进和优化应急预案，提高危机管理的水平和效果。
对于各种灾害事件的风险评估和预警也是应急数据模型的重要功能。
通过对数据的分析和挖掘，可以及早发现潜在的危险和风险，预警机构和公众，为灾害事件的预防和减灾提供支持。
第二篇示例：应急数据模型（Emergency Data Model）是指在面临突发事件或紧急情况时，为数据提供保护和备份的一种数据模型。
基于结构化知识与语义分析的问答系统设计
基于结构化知识与语义分析的问答系统设计随着互联网的快速发展，人们在日常生活中已经习惯了通过搜索引擎来获取各种信息，但是当我们对某个知识点有深入的了解需求时，往往需要一个更为高效精准的问答系统。
为了满足用户需求，问答系统应该具备强大的语义分析和结构化知识技术，从而能够快速准确地回答用户提出的问题。
一、结构化知识技术在问答系统中的作用1.1 知识图谱问答系统的一个重要组成部分是知识图谱，它是一种具有结构化知识的表达方式。
知识图谱是对真实世界中所有实体和实体之间关系的建模，可以将它看作是一张大规模的、低维稠密的“地图”。
在一个知识图谱中，每个实体都有唯一标识符，并按照其属性和关系进行组织。
知识图谱中可以包含多种实体类型，例如人物、地点、机构、事件等。
在问答系统中，知识图谱可以应用在很多场景中，例如帮助系统理解不同实体之间的关系，提供更准确的搜索结果，或者为用户提供智能化推荐服务等等。
知识图谱的建立离不开强大的数据挖掘和机器学习技术，只有经过大量训练和优化后才能达到更好的效果。
1.2 语义解析语义解析是指将自然语言转化为计算机可处理的形式，并且根据输入的意图来执行相应的操作。
对自然语言的理解是一项非常困难的任务，因为语言中存在很多歧义和模糊性。
在问答系统中，语义解析是其中最关键的环节，因为它直接决定了系统能否正确理解用户的意图。
语义解析的过程需要借助自然语言处理技术，例如语法分析、命名实体识别等，通过对用户提问的分析，将其转化为结构化的查询语句，从而能够更好地与知识图谱进行交互，并进行准确的回答。
二、基于结构化知识与语义分析的问答系统设计2.1 用户交互设计对于一款优秀的问答系统来说，用户交互设计至关重要。
在设计过程中，首先需要考虑用户的需求和使用场景，并考虑到用户在使用过程中的体验和反馈意见。
在系统中，用户可以通过输入自然语言问题或者选择问题类型进行查询。
通过结构化知识与语义分析的算法，系统可以解析出用户输入的答案，而用户可以根据答案的提示来回答问题或者更进一步提出新的问题。
大模型rag 文档结构化
大模型rag 文档结构化
大模型RAG（Retrieval-Augmented Generation）是一种基于生成式预训练语言模型（如GPT系列）的文档结构化方法。
该方法旨在将非结构化的
文档转换为结构化的格式，以便于后续的信息抽取和知识推理。
RAG的基本思想是利用预训练的生成式语言模型对文档进行理解和转换。
在RAG中，输入文档首先通过生成式语言模型进行编码，得到一个表示文
档内容的向量序列。
然后，通过检索模块从已有的知识库中检索与输入文档相关的信息，并将这些信息与原始文档进行融合，生成一个结构化的文档表示。
RAG的主要步骤包括：
1. 文档编码：将输入文档通过预训练的生成式语言模型进行编码，得到一个表示文档内容的向量序列。
2. 检索模块：从已有的知识库中检索与输入文档相关的信息，得到一个结构化的知识表示。
3. 融合模块：将检索到的结构化知识与原始文档进行融合，生成一个结构化的文档表示。
4. 输出模块：将结构化的文档表示转换为结构化的格式，如表格、关系图等。
大模型RAG的优势在于能够有效地将非结构化的文档转换为结构化的格式，同时利用生成式语言模型对文档进行深入理解，提高了信息抽取和知识推理的准确性和效率。
此外，RAG还可以根据不同的应用场景进行定制化开发，以满足不同领域的需求。
应急管理仿真模型动态重构_框架与方法_张发
应急管理仿真模型动态重构: 框架与方法*●张发1李璐2赵巧霞3( 1，2 空军工程大学工程学院西安710038; 1 西安交通大学管理学院西安710049;3 空军工程大学电讯工程学院西安710077)【摘要】在突发事件应急管理过程中，系统的边界和结构都可能发生急剧变化，仿真模型需要及时调整，以反映系统的现状，然而传统的模型主要通过手工方式进行调整，难以满足应急管理的要求。
本文分析了复杂系统动态演化的主要类型，特别对系统的结构变化从组分构成、关联方式和系统与环境交互三个方面进行了刻画。
在此基础上提出一种基于构件的仿真模型动态重构框架、描述模型构件和连接件的基本要素，以及它们之间的交互方式，用π演算分析了动态重构所需满足的一致性条件，包括外部行为一致性、状态一致性和应用完整性，最后指出动态重构仿真模型将来需解决的问题。
【关键词】应急管理仿真模型重构中的部分问题进行了分析，提出解决方法。
2. 应急管理过程的动态性从总体结构上看，突发事件应急管理主要是五个子系统的相互作用，这五个子系统相互影响，构成了一个体系( System of Systems) ，如图1 所示。
该体系中的每个构成要素是一个子系统，有各自的组成与演化特点。
在突发事件发生、发展过程中，五个子系统之间的关系是动态变化的，更进一步，每个系统内部的结构、参数也是动态变化的。
图1 突发事件应急管理五体耦合模型作为突发事件应急管理的驱动因素，事件体具有复杂的时变特性。
已有的研究如Heath 的4R/5R 危机管理模型，对危机管理进行了阶段划分，还有一些学者从突发事件生命周期的角度，指出突发事件的演化从生成到消解，经历五个主要阶段，潜伏生成期、显现与爆发期、持续演进期、消解减缓期、解除消失期。
突发事件总可以看做从一个单源事件节点开始，由于该节点能量的爆发，对相关节点造成影响，当某些条件满足时又导致另一个( 或几个) 节点能量爆发，于是事件不断蔓延、衍生、转化。
基于元模型的装备体系知识图谱构建
基于元模型的装备体系知识图谱构建
王暖臣;王小龙;穆歌;李新津
【期刊名称】《系统工程与电子技术》
【年(卷),期】2024(46)7
【摘要】针对当前军事领域知识图谱描述装备体系存在的数据规范程度不高、实体不统一和实体关系不一致等问题,提出一种基于元模型的军事领域本体模型构建方法。
该方法采用体系架构元模型技术框架下的概念数据模型和逻辑数据模型定义装备体系本体,从而生成装备体系知识图谱,避免不同兵种、不同业务领域装备体系本体不一致的影响。
选取协同打击任务场景构建无人机集群装备体系应用本体,导入Neo4j软件生成知识图谱。
结果表明,所提方法能够满足装备体系知识图谱构建需求。
【总页数】9页(P2374-2382)
【作者】王暖臣;王小龙;穆歌;李新津
【作者单位】军事科学院系统工程研究院
【正文语种】中文
【中图分类】E117
【相关文献】
1.基于语义元模型的装备体系结构建模方法
2.基于百科知识的军事装备知识图谱构建与应用
3.基于本体的主战武器装备知识图谱构建
4.面向武器装备体系知识图谱的本体构建
因版权原因，仅展示原文概要，查看原文内容请购买。
基于元数据映射分析的智慧城市建设分析——以重庆市璧山区为例
基于元数据映射分析的智慧城市建设分析——以重庆市璧山区为例摘要：本研究旨在通过构建智慧城市元数据模型，以重庆市璧山区为例，为同等体量城市的智慧城市建设提供借鉴和参考。
首先，从城市建设的全生命周期规划—建设—运营管理三大阶段入手，梳理现有元数据内容，结合行政部门权力清单、公共服务清单和其他事项数据进行抽象建模，形成实体、属性和关系的描述。
最后，将模型应用于璧山区，全面评估智慧城市建设的总体情况和可优化之处，为其智慧城市建设规划和推进实施提供科学依据和决策支持。
研究认为，璧山区的智慧城市建设存在共享数据量不足、部门间数据冗余、缺乏整体视角等问题，元数据模型建立可推动智慧政务数据动态更新。
关键词：元数据、智慧城市、映射分析智慧城市建设是现代城市发展的重要方向之一，旨在通过整合信息和通信技术，提升城市的可持续性、效率和生活质量。
自国家“十三五”规划纲要发布以来，截止2022年底，国内智慧城市试点已超过700个[1]。
2021年3月，《中华人民共和国国民经济和社会发展第十四五个五年规划和2035年远景目标纲要》提出“要分级分类推进新型智慧城市建设”，将促进新一批“智慧城市”诞生。
智慧城市作为城市建设的重要内容，一直是国内外学者关注的热点。
国内对智慧城市的研究主要集中在以下几方面：一是从技术角度阐述不同技术在智慧城市中的应用，如季珏等（2021）对智慧城市CIM关键技术进行探究[2]，陈晶晶（2023）主要关注物联网技术在智慧城市中的应用[3]。
二是从机制上探讨智慧城市建设情况，如周骥（2013）重点阐述智慧城市评价体系[4]。
三是从智慧城市建设对经济发展、环境保护、科技创新等角度论述其作用，如刘亭立等（2022）研究智慧城市建设发展与资本市场信息效率的关系[5]。
总体而言，目前针对智慧城市的学术研究主要集中在智慧城市的技术应用、建设机制和对社会经济发展的影响上，对于智慧城市建设中的数据本身及其事件关系的研究较为有限。
自然灾害应急知识图谱构建方法研究
自然灾害应急知识图谱构建方法研究一、本文概述自然灾害，如地震、洪水、台风、火灾等，常常给人类社会带来巨大的人员伤亡和财产损失。
为了有效地减轻这些灾害带来的负面影响，及时、准确地获取并传递应急知识显得尤为关键。
然而，当前对于自然灾害应急知识的管理和传递主要依赖于传统的文字描述和图像展示，这种方式不仅效率低下，而且难以全面、系统地展示灾害应急知识的内在关联和层次结构。
因此，构建一套全面、系统、高效的自然灾害应急知识图谱显得尤为重要。
本文旨在探讨和研究自然灾害应急知识图谱的构建方法。
我们将从自然灾害应急知识的特点出发，分析现有的知识图谱构建技术和方法，并结合自然灾害应急知识的实际需求，提出一套适合自然灾害应急领域的知识图谱构建方法。
该方法将包括知识抽取、知识融合、知识表示和知识推理等多个关键步骤，旨在实现自然灾害应急知识的全面、系统、高效管理和传递。
本文还将对提出的自然灾害应急知识图谱构建方法进行实证研究和应用分析，以验证其有效性和实用性。
我们希望通过本文的研究，能够为自然灾害应急领域的知识管理和传递提供一种全新的视角和方法，为灾害应急工作提供更为科学、有效的支持。
二、自然灾害应急知识图谱概述自然灾害应急知识图谱是一种基于图谱理论的知识表示方法，旨在整合、表示和查询与自然灾害应急相关的各类知识。
它通过构建节点和边的关系网络，将自然灾害的类型、发生机理、影响范围、应对措施等多元信息进行关联和整合，形成一个系统化、结构化的知识体系。
自然灾害应急知识图谱的构建，不仅有助于提升应急响应的效率和准确性，还能为灾害预警、风险评估、救援决策等提供有力支持。
自然灾害应急知识图谱的构建涉及到多个领域的知识，包括气象学、地质学、水文学、社会学等。
在图谱构建过程中，需要将这些领域的知识进行梳理和整合，形成统一的知识表示形式。
同时，还需要考虑知识的动态更新和扩展性，以适应不断变化的自然灾害形势和应急需求。
在自然灾害应急知识图谱中，节点通常代表各种实体，如自然灾害类型、地点、时间、受灾人群等；边则代表实体之间的关系，如因果关系、空间关系、时间关系等。
基于元学习的小样本知识图谱补全
第61卷 第3期吉林大学学报(理学版)V o l .61 N o .3 2023年5月J o u r n a l o f J i l i nU n i v e r s i t y (S c i e n c eE d i t i o n )M a y 2023d o i :10.13413/j .c n k i .jd x b l x b .2022167基于元学习的小样本知识图谱补全汪雨竹1,彭 涛1,2,朱蓓蓓1,崔 海1(1.吉林大学计算机科学与技术学院,长春130012;2.吉林大学符号计算与知识工程教育部重点实验室,长春130012)摘要:以元学习为核心思想,结合卷积神经网络和T r a n s f o r m e r 编码器构建一个三阶段表示学习模型.为表达参考集中实体与任务关系之间的相互作用,使用卷积神经网络获取关系元,应用T r a n s f o r m e r 编码器增强查询集中的实体表示,并设计了用于计算不完全三元组匹配度得分的处理器,以解决小样本知识图谱补全问题,即大规模知识图谱较稀疏,而其中出现频率较低的长尾关系对应的实体对数量较多的现象.在数据集N E L L -O n e 和W i k i -O n e 上的实验结果表明,该模型对大规模知识图谱中长尾关系对应的头尾实体的预测效果较好,可实现知识图谱中实体和关系的高效特征表示生成和缺失实体补全.关键词:知识图谱补全;元学习;T r a n s f o r m e r 编码器;卷积神经网络;知识图谱嵌入中图分类号:T P 391 文献标志码:A 文章编号:1671-5489(2023)03-0623-08F e w -S h o tK n o w l e d g eG r a p hC o m p l e t i o n B a s e d o n M e t aL e a r n i n gWA N G Y u z h u 1,P E N G T a o 1,2,Z HU B e i b e i 1,C U IH a i 1(1.C o l l e g e o f C o m p u t e rS c i e n c e a n dT e c h n o l o g y ,J i l i nU n i v e r s i t y ,C h a n g c h u n 130012,C h i n a ;2.K e y L a b o r a t o r y o f S y m b o lC o m p u t a t i o na n dK n o w l e d g eE n g i n e e r i n g o f M i n i s t r y o f E d u c a t i o n ,J i l i nU n i v e r s i t y ,C h a n gc h u n 130012,C h i n a )收稿日期:2022-04-11.第一作者简介:汪雨竹(1998 ),女,汉族,硕士研究生,从事知识图谱补全的研究,E -m a i l :y z w a n g 19@m a i l s .j l u .ed u .c n .通信作者简介:彭 涛(1977 ),男,汉族,博士,教授,博士生导师,从事数据挖掘及We b 挖掘㊁信息检索㊁机器学习和自然语言处理的研究,E -m a i l :t p e n g @j l u .e d u .c n .基金项目:国家自然科学基金(批准号:61872163;61806084)和吉林省科技厅重点科技研发项目(批准号:20210201131G X ).A b s t r a c t :W ec o n s t r u c t e dat h r e e -s t a g er e p r e s e n t a t i o nl e a r n i n g m o d e lb y c o m b i n i n g c o n v o l u t i o n a l n e u r a l n e t w o r ka n d t r a n s f o r m e r e n c o d e rw i t h m e t a -l e a r n i n g a s t h e c o r e i d e a .I no r d e r t oe x p r e s s t h e i n t e r a c t i o nb e t w e e ne n t i t i e sa n dt a s kr e l a t i o n si nt h er e f e r e n c es e t ,w eu s e dc o n v o l u t i o n a ln e u r a l n e t w o r k t oo b t a i n r e l a t i o n -m e t a ,a p p l i e d t h e t r a n s f o r m e r e n c o d e r t o e n h a n c e t h e e n t i t y r e p r e s e n t a t i o n i n q u e r y s e t ,a n d d e s i g n e d a p r o c e s s o r f o r c a l c u l a t i n g m a t c h i n g s c o r e o f i n c o m p l e t e t r i p l e s t o s o l v e t h e p r o b l e m o ff e w -s h o t k n o w l e d g e g r a p h c o m p l e t i o n ,i .e .,t h e p h e n o m e n o n t h a tt h el a r g e -s c a l e k n o w l e d g e g r a p hw a s s p a r s e ,a n d t h en u m b e ro f e n t i t yp a i r s c o r r e s p o n d i n g t o t h e l o n g -t a i l r e l a t i o n s w i t h l o wf r e q u e n c y w a s l a r g e .T h ee x p e r i m e n t a l r e s u l t so nt h e N E L L -O n ea n d W i k i -O n ed a t a s e t s s h o wt h a t t h e p r o p o s e dm o d e l p e r f o r m sw e l l i n p r e d i c t i n g h e a d a n d t a i l e n t i t i e s c o r r e s p o n d i n g t o l o n g -t a i lr e l a t i o n si n l a r g e -s c a l e k n o w l e d g e g r a p h s ,a n d c a n a c h i e v e e f f i c i e n tf e a t u r e r e p r e s e n t a t i o n g e n e r a t i o na n dm i s s i n g e n t i t y c o m p l e t i o n f o r e n t i t i e s a n d r e l a t i o n s i nk n o w l e d g e g r a p h s .K e yw o r d s :k n o w l e d g e g r a p hc o m p l e t i o n ;m e t a l e a r n i n g ;T r a n s f o r m e re n c o d e r ;c o n v o l u t i o n a l n e u r a l Copyright ©博看网. All Rights Reserved.426吉林大学学报(理学版)第61卷n e t w o r k;k n o w l e d g e g r a p he m b e d d i n g随着互联网技术的高速发展,如何表示㊁存取和使用知识已成为亟待解决的问题,而作为结构化语义知识库,知识图谱的相关研究也在不断发展和完善.知识图谱是由语义网络演化而来的.语义网络[1]作为知识表示的一种方法,其是由表达信息的节点及表示节点之间关系的有向直线连接而成的结构化知识图,本质是建立开放数据之间的链接.作为W e b3.0时代的特征之一,它是理解词语㊁概念及其之间逻辑关系的智能网络,可提高互联网信息交互效率.知识图谱用可视化技术描述知识资源及其载体[2],挖掘㊁分析㊁构建㊁绘制和显示知识及其之间的相互联系,并利用可视化的图谱形象地展示学科的核心结构㊁发展历史㊁前沿领域以及整体知识架构,达到多学科融合的目的[3],能为学科研究提供切实有价值的参考[4].知识图谱由大量描述客观事实及其关系的结构化三元组构成,图中节点表示实体或概念,有向边表示实体与概念之间的语义关系,并且已经广泛应用于智能检索㊁推荐与问答㊁机器翻译㊁金融风控和智慧城市等领域.现实中多数大规模知识图谱是稀疏的,需要补充隐含信息或添加新的三元组使其更完整,这样的工作称为知识图谱补全(K G C).知识图谱补全可分为实体预测㊁关系预测和链路预测3个子问题,目前大多数研究都只适用于其中一个子问题,也有少数方法同时进行3个任务.按能否处理新实体和新关系,可分为静态知识图谱补全和动态知识图谱补全.静态知识图谱补全是基于图中现有的实体补充其间的隐含关系,仅能处理实体以及关系都是固定的场景,扩展性较差.动态知识图谱补全引入新实体或新关系扩大知识图谱的规模,更具现实意义[5].按照缺失的部分进行分类,可分为对头实体㊁对关系和对尾实体的预测.但知识图谱中存在部分长尾关系,即当关系出现频率较低时,对应的实体数量较少,针对上述问题的K G C任务称为小样本知识图谱补全.随着知识图谱的不断发展,应用范围逐渐广泛,而大规模知识图谱比较稀疏,其中关系的长尾分布较普遍,为应对出现频率不高的关系数量较多的问题,研究人员开始关注小样本知识图谱补全任务[6].本文提出一个融合了元学习思想,应用T r a n s f o r m e r解决小样本知识图谱补全问题的模型 M e t a-T K G C(基于元学习和T r a n s f o r m e r的知识图谱补全模型).该模型提出一个基于卷积神经网络(C N N)的关系元嵌入学习器,从任务关系的参考实体对中捕获关系信息;应用元学习的思想,将参考集中关系特定的元信息迁移至查询集中,将公共关系信息从已知的真实三元组转移到不完整的三元组,在框架M e t a-T K G C中,关系元是连接头尾实体关系的高阶表示;利用基于T r a n s f o r m e r的编码器在预测过程显式建模查询集及其负例的头尾实体嵌入,实现不完全三元组更好的匹配.1相关工作目前解决知识图谱补全问题的方法包括基于嵌入的方法㊁小样本关系学习方法㊁关系路径推理方法[7]㊁基于强化学习的方法[8]㊁三元组分类方法以及基于规则推理的方法[9],本文主要应用前两种方法.1.1基于嵌入的方法基于嵌入的方法关注如何学习实体及关系嵌入,主要包括以下3类:1)张量分解模型是将整个知识图谱中三元组视为一个三阶邻接矩阵,之后对其降维,转化为头实体㊁关系和尾实体的拼接;R E S C A L[10]将实体与实体之间的关系描述为一个三维矩阵,然后分解为实体的潜在语义表示和非对称关系矩阵的组合,但该模型不适用于大规模知识图谱,随着关系矩阵的维度增加,复杂度增加,易出现过拟合;D i s t M u l t[11]针对上述问题,将关系矩阵简化为对角矩阵,但无法解决非对称关系相应的预测问题.2)在几何模型中,纯翻译模型以T r a n s E[12]及其扩展的T r a n s H[13],T r a n s R[14]为代表,这类模型利用实体与关系之间的距离衡量三元组的合理性;由于大部分基于嵌入的模型并未考虑到实体和关系的双向作用,使用额外信息的翻译模型将知识图谱中的辅助信息融合到实体及关系嵌入[15];旋转翻译模型可以正确推断上述算法无法建模的对称关系㊁反对称关系㊁反演关系和合成关系.Copyright©博看网. All Rights Reserved.3)基于深度神经网络的模型,为处理大规模知识图谱中参数规模与过拟合之间的矛盾,C o n v E [16]应用二维卷积,保证模型训练速度的同时可达到较好的实验效果;但在C o n v E 中,对实体和关系嵌入的重构和聚合不能充分表达图中的信息,而同样基于C N N 的C T K G C [17]通过在元素层次上融合实体嵌入和关系嵌入构造一个便于二维卷积的矩阵,模型架构简单且可解释性较强.1.2 基于元学习的方法为应对大规模知识图谱中三元组中关系的长尾分布现象,本文模型引入元学习[18]的方法解决小样本问题,元学习偏重于任务和数据的双重采样,适合于小样本学习,它将训练集和测试集分为若干个训练任务和测试任务,面向多个任务联合训练,利用前面任务的经验指导新任务的学习,使机器具备适应每个具体任务的能力.目前基于元学习的方法包含以下三类.1)基于度量学习的方法:度量学习广泛应用于图像处理中,根据目标的某些核心特征得到衡量特定任务的距离度量函数.P r o t o t y p i c a lN e t w o r k [19]选取B r e g m a n 散度中的平方欧氏距离作为距离度量方式完成了小样本分类任务,模型策略简单且效果较好.2)模型表示增强方法:这类算法的目的是提高样本的表示能力,L a S O [20]从图像中学习到隐式的语义信息,相当于对数据集进行了数据增强,拓展了特征空间包含的信息,因此可用于解决小样本的多标签分类问题.3)基于参数优化的方法:这类方法[21]主要为了学习模型对各种任务的初始参数,通过几个迭代步骤即可获得优异的泛化性能.MAM L 具备无模型限制㊁元学习和快速适应的特性,能在少量样本㊁有限迭代次数条件下快速适应新的任务并完成参数的优化,适用于多种网络模型和任务类型.1.3 小样本知识图谱补全模型由于长尾关系的特殊性,上述方法并不完全适用于小样本知识图谱补全场景.首先,对于单样本知识图谱补全问题,以图卷积网络(G C N )为基础的GM a t c h i n g [22]由邻居编码器和匹配处理器组成,邻居编码器捕获一跳邻域信息得到实体和关系嵌入,并应用长短期记忆网络(L S T M )进行参考实体对㊁查询实体对的多步匹配得到相似性得分,选取最佳候选实体作为预测结果.M e t a R [23]以元学习为核心思想,包含一个关系元编码器和一个嵌入学习器,关系元编码器利用支持集中的实体对获取任务关系元信息,将其转移至查询集中,应用嵌入学习器区分查询集中的正负例完成对缺失实体的预测.上述方法只是假设所有邻居对实体嵌入的贡献相等,或者为邻居分配静态的注意力权重,得到的是静态实体表示,而F A A N [24]提出了动态属性的概念,设计了应用T r a n s f o r m e r 的自适应注意力网络用于获取参考实体对的动态自适应表示,以及一个基于注意力的聚合器用于表示查询集的缺失三元组.2 问题定义知识图谱可表示为三元组的集合τ={(h ,r ,t )}⊆E ˑR ˑE ,其中h ,r ,t 分别表示头实体㊁关系和尾实体,E 和R 分别表示实体集和关系集.知识图谱补全任务分为(?,r ,t ),(h ,?,t ),(h ,r ,?)三类任务,本文研究对尾实体的预测,例如对(珠峰计划,创办时间,?)中尾实体的预测.将元学习的思想应用到小样本知识图谱补全中,按关系分类,将每类关系对应的不完全三元组的预测视为一个任务,因此训练集T t r a i n ={D t r }和测试集T t e s t ={D t e }都是若干个任务的集合,D t r ,D t e 是训练任务和测试任务,分别表示为D t r ={S r ,Q r }和D t e ={S r ᶄ,Q r ᶄ},其中S r ,Q r 分别表示每个任务r 对应的支持集和查询集,r ᶄ表示训练集中未出现过的新关系.S r ,Q r 的定义如下:对于特定关系任务,将关系r 对应的K 个头尾实体对称为支持集,表示为S r ={(h r ,t r )(h r ,r ,t r )ɪG },且S r =K 为样本数量,其中G 表示背景知识图谱,类似于由任务关系 创办时间 对应的三元组中(国际滑冰联盟,创办时间,1892年)的头尾实体(国际滑冰联盟,1892年)构成的K 个实体对的集合.从支持集中提取信息转移至对应的查询集Q r ={(h i ,r ,t i )t i ɪC h i ,r },其中C h i ,r表示待预测三元组中头实体h i 对应的候选尾实体集合.最终预测任务可描述为完成测试集Q r ᶄ={(h i ,r ᶄ,t i )t i ɪC h i ,r }中对候选尾实体的排序.526 第3期 汪雨竹,等:基于元学习的小样本知识图谱补全 Copyright ©博看网. All Rights Reserved.3 基于元学习的小样本知识图谱补全模型3.1 总体框架M e t a -T K G C 由关系元学习器㊁T r a n s f o m e r 编码器[25]和匹配处理器三部分组成.图1为模型的整体架构,图2为关系元学习器的实现过程.基于C N N 的关系元学习器根据参考实体对获取任务关系嵌入;将初始化后的任务关系表示㊁查询集和查询集负例拼接成三元组,分别和它们的位置信息结合,输入T r a n s f o m e r 编码器中,得到查询集及其负例的嵌入;将任务关系嵌入迁移到查询部分,在匹配处理器中,计算前两部分得到的头尾实体和关系特征表示间的相似度得分,完成小样本知识图谱补全任务.图1 模型的整体架构F i g.1 O v e r a l l a r c h i t e c t u r e o fm o d el 图2 关系元学习器F i g.2 R e l a t i o n -m e t a l e a r n e r 3.2 关系元学习器关系元学习器作为两层前馈神经网络,由卷积层和全连接层建模实体和关系之间的相互作用.首先,把支持集的头尾实体拼接,输入到二维卷积层中,经过激活和最大池化后,重构为一个融合参考集实体和关系信息交互的三阶张量:R i m =σ([S h ,S t ]*ω),(1)其中S h 和S t 分别表示支持集头尾实体的嵌入,ω为卷积层的滤波器,σ表示R e L U 激活函数.再输入到一个线性层,进行批量归一化:R i s =W ㊃R i m +b ,(2)其中W 和b 表示可学习参数.其次,对由K 个参考集实体对获取的关系表示求平均,得到可迁移至查询集的任务关系嵌入R s :R s =ðK i =1R i s ,(3)626 吉林大学学报(理学版) 第61卷 Copyright ©博看网. All Rights Reserved.3.3 T r a n s f o m e r 编码器由于现有的嵌入模型总需要足够多的训练数据对任务关系建模,但实际应用中可依据的相关信息较少,很难获取到小样本关系的有效表示.受翻译距离模型的启发,基于平移假设,由h +r =t 得到r =t -h ,因此由支持集的头尾实体嵌入计算任务关系的原始嵌入R 0为R 0=S t -S h ,(4)其中S h 和S t 分别表示支持集头尾实体的嵌入.对于查询集及其负例的头尾实体,将对应的预训练嵌入和三元组位置嵌入相加,得到实体和关系的位置信息融合嵌入:h i =h 0+h p o s ,(5)t i =t 0+t p o s ,(6)其中h 0,t 0分别表示头尾实体的原始嵌入,h p o s ,t p o s 分别表示头尾实体的位置嵌入.获取实体嵌入后,与上个模块得到的关系元嵌入拼接成三元组嵌入,从而实现了参考集信息和查询集信息的有效结合,然后输入L 层T r a n s f o r m e r 中:E 1i =T r a n s f o r m e r (h i ,R 0,t i ),(7)E l i =T r a n s f o r m e r (E l -1i ), l =2,3, ,L ,(8)其中R 0是关系的原始嵌入,E l i 表示经过第l 层T r a n s f o r m e r 处理后的实体或关系的特征表示.为获得不完全三元组的实体对嵌入,将最终隐藏状态作为查询实体对和负例实体对的期望表示,这种特征表示编码了每个实体的语义角色,有助于识别与不同实体对相关的任务关系的细粒度含义.3.4 匹配处理器根据纯翻译模型T r a n s E 中的得分函数h +r =t ,计算衡量三元组准确度的得分函数:φ(H j ,R s ,T j )=H j +R s -T j ,(9)其中:应用的关系元R s 为模型第一部分的结果,即由支持集获得的关系元嵌入;实体嵌入H j ,T j 是由L 层T r a n s f o r m e r 编码器计算得到的.模型的损失函数定义为L =ðr ð(H q ,T q )ɪQ r ð(H n ,T n )ɪQ -r [φ(H q ,R s ,T q )-φ(H n ,R s ,T n )+γ]+,(10)其中[x ]+=m a x {0,x },γ为区分正例与负例之间的间隔,Q r ,Q -r 分别表示查询集和查询集的负例构成的集合.在训练过程中,通过增加查询集正负样本得分的间隔达到区分正例和负例的目的,其中查询集的负例由随机替换实体对中的尾实体构建而成.4 实 验4.1 数据集及评价指标本文选取数据集N E L L -O n e 和W i k i -O n e 进行实验,它们是在N E L L [26]和W i k i [27]的基础上移除自反关系,并保留三元组数量为50~500的关系构建而成的,数据集的具体信息及任务划分列于表1.表1 数据集统计结果及划分T a b l e 1 S t a t i s t i c a l r e s u l t s a n dd i v i s i o no f d a t a s e t s数据集三元组数实体数关系数任务数训练集验证集测试集N E L L -O n e 1811096854535851511W i k i -O n e 585924048382448221331634 选择平均倒数排名(M R R )㊁H i t s @5和H i t s @1作为评价指标,其中M R R 是预测结果中真实匹配的文本排序位置平均值的倒数,H i t s @k 表示预测结果排在序列前k 的个数占全部预测结果的比例,上述几个评价指标数值越大表示预测结果越好.4.2 基线算法选择基于嵌入的模型T r a n s E 和D i s t M u l t 及小样本关系学习算法GM a t c h i n g 和M e t a R 与M e t a -T K G C 进行比较,衡量本文算法的有效性.T r a n s E 利用实体和关系之间的距离衡量三元组的合726 第3期 汪雨竹,等:基于元学习的小样本知识图谱补全 Copyright ©博看网. All Rights Reserved.理性,R E S C A L先将实体与实体之间的关系描述为一个三维矩阵,再分解为实体的潜在语义表示和非对称关系矩阵的组合表示,D i s t M u l t将R E S C A L中的关系矩阵简化为对角矩阵,并且由于GM a t c h i n g是针对单样本知识图谱补全设计的模型,每个任务关系只有一个相关联的参考实体对,因此通过对模型中的参考实体对分别应用平均池化和最大池化,使其适用于小样本学习场景,使用GM a t c h i n g进行K-样本知识图谱补全问题的实验(K=5).4.3参数设置将在数据集N E L L-O n e和W i k i-O n e上的嵌入维度分别设为100和50,T r a n s f o r m e r的层数和多头注意力头的数量均设为2,为避免过拟合,关系元学习器和T r a n s f o r m e r中D r o p o u t取值分别为0.8和0.4.在训练过程中,应用小批量梯度下降更新模型的网络参数,批量大小为128,损失函数中边界值为0.5.此外,本文使用A d a m优化器作为优化器,初始学习率为5ˑ10-5.在每1000个训练步的验证集上评估本文模型,并在M R R在1000步内达到最高值时保存最佳模型.4.4实验结果表2列出了在数据集N E L L-O n e和W i k i-O n e上基线算法和M e t a-T K G C模型在选取的3个评价指标上的性能.由表2可见,本文模型优于所选取的基线算法.实验结果证明了应用元学习的有效性,表明考虑查询集及查询集负例中头尾实体的嵌入并结合T r a n s f o r m e r可以更好地实现不完全三元组和候选实体间的匹配.与基于嵌入的方法相比,本文模型将由参考集计算得到的关系嵌入迁移到查询集中,并应用T r a n s f o r m e r计算实体和关系嵌入,实现了实体㊁关系以及它们在知识图谱中的交互更充分的表达.与小样本关系学习模型的实验结果相比,M e t a-T K G C的效果更好,进一步验证了T r a n f o r m e r的有效性,而GM a t c h i n g和M e t a R中并未实现对不完全三元组中实体的有效表示,证明了实体嵌入对最终预测的重要性.表2在数据集N E L L-O n e和W i k i-O n e上M e t a-T K G C模型与基线算法的实验结果T a b l e2E x p e r i m e n t a l r e s u l t s o fM e t a-T K G Cm o d e l a n db a s e l i n e a l g o r i t h mo nN E L L-O n e a n d W i k i-O n e d a t a s e t s模型N E L L-O n eM R R H i t s@5H i t s@1W i k i-O n eM R R H i t s@5H i t s@1T r a n s E0.1740.2310.1010.1330.1570.100D i s t M u l t0.2000.2510.1370.0710.0990.024GM a t c h i n g_M a x P0.1760.2330.1330.2630.3370.197GM a t c h i n g_A v g P0.1410.2010.0800.2540.3140.193 M e t a R0.2090.2800.1410.3230.3850.270M e t a-T K G C0.2560.3000.2120.3870.4830.274 4.5消融实验为检验模型两个主要模块的有效性,即验证使用C N N建模支持集中实体和关系的信息交互,以及利用T r a n s f o r m e r强化查询集及其负例的嵌入表示是否对最终结果产生影响,设计如下两个模型变体与本文的M e t a-T K G C模型进行比较,在数据集N E L L-O n e上对应的MR R,H i t s@1值列于表3.1)移除关系元学习器模块(变体1):将仅由支持集的头尾实体计算出的任务关系嵌入和待预测头尾实体对拼接成三元组,用匹配处理器衡量其准确度.2)去掉T r a n s f o r m e r编码器部分(变体2):在匹配处理器部分,直接使用查询集和负例集实体的原始嵌入,与模型第一部分生成的关系元嵌入共同输入匹配处理器中.表3数据集N E L L-O n e上不同模型的实验结果T a b l e3E x p e r i m e n t a l r e s u l t s o f d i f f e r e n tm o d e l s o nN E L L-O n e d a t a s e t模型M R R H i t s@1变体10.2010.167变体20.1880.150M e t a-T K G C0.2560.212由表3可见,M e t a-T K G C在数据集N E L L-O n e上的性能优于上述两个变体模型,同时实验结果826吉林大学学报(理学版)第61卷Copyright©博看网. All Rights Reserved.表明,T r a n s f o r m e r 编码器对预测结果的影响更大,证明了考虑优化查询集及其负例的有效性.综上所述,本文简要分析了用于解决知识图谱补全问题的各类方法,如基于嵌入的方法㊁基于规则推理的方法㊁基于强化学习的方法以及三元组分类的方法,总结了各类方法的特点,并对比分析了一些具有表示性的模型.在此基础上提出了一个结合元学习和T r a n s f o r m e r 编码器,用实体与关系的相关性建模任务关系,优化不完全三元组中的实体嵌入以完成最终预测的模型 M e t a -T K G C .在数据集N E L L -O n e 和W i k i -O n e 上的实验结果表明,本文模型在各评价指标上都有良好的性能.模型在架构简单的基础上,训练速度较快,并且可以实现高效且较准确的预测.消融实验也验证了模型的关系元学习器和T r a n s f o r m e r 编码器对最终结果都有贡献.参考文献[1] 刘峤,李杨,段宏,等.知识图谱构建技术综述[J ].计算机研究与发展,2016,53(3):582-600.(L I U Q ,L IY ,D U A N H ,e t a l .K n o w l e d g e G r a p h C o n s t r u c t i o n T e c h n i q u e s [J ].J o u r n a l o f C o m p u t e r R e s e a r c h a n d D e v e l o p m e n t ,2016,53(3):582-600.)[2] 陆璐,钟文煜,吴小坤.基于多尺度视觉T r a n s f o r m e r 的图像篡改定位[J ].江苏大学学报(自然科学版),2022,50(6):14-22.(L U L ,Z HO N G W Y ,WU X K.I m a g eT a m p e r i n g L o c a l i z a t i o nB a s e do n M u l t i -s c a l e V i s i o n T r a n s f o r m e r [J ].J o u r n a l o f J i a n g s uU n i v e r s i t y (N a t u r a l S c i e n c eE d i t i o n ),2022,50(6):14-22.)[3] 刘国强,龚仁彬,石玉江,等.油气层测井知识图谱构建及其智能识别方法[J ].石油勘探与开发,2022,49(3):502-512.(L I U G Q ,G O N G R B ,S H IY J ,e ta l .K n o w l e d g e M a p Co n s t r u c t i o no fO i la n d G a sF o r m a t i o n L o g g i n g a n dI t sI n t e l l i g e n t I d e n t i f i c a t i o n M e t h o d [J ].P e t r o l e u m E x p l o r a t i o na n d D e v e l o pm e n t ,2022,49(3):502-512.)[4] 王硕,杜志娟,孟小峰.大规模知识图谱补全技术的研究进展[J ].中国科学:信息科学,2020,50(4):551-575.(WA N GS ,D U ZJ ,M E N G X F .R e s e a r c hP r o g r e s so fL a r g e -S c a l eK n o w l e d g eG r a p hC o m p l e t i o nT e c h n o l o g y [J ].S c i e n t i aS i n i c a I n f o r m a t i o n ,2020,50(4):551-575.)[5] 张岩,刘小秋,李杰,等.基于时频联合深度学习的地震数据重建[J ].吉林大学学报(地球科学版),2023,53(1):283-296.(Z HA N GY ,L I U XQ ,L I J ,e t a l .S e i s m i cD a t aR e c o n s t r u c t i o nB a s e d o n J o i n tT i m e -F r e q u e n c y D e e p L e a r n i n g [J ].J o u r n a l o f J i l i nU n i v e r s i t y (E a r t hS c i e n c eE d i t i o n ),2023,53(1):283-296.)[6] 王文军,余银峰.考虑数据稀疏的知识图谱缺失连接自动补全算法[J ].吉林大学学报(工学版),2022,52(6):1428-1433.(WA N G W J ,Y U Y F .A u t o m a t i cC o m p l e t i o n A l g o r i t h mf o r M i s s i n g L i n k s i n K n o w l e d g eG r a ph C o n s i d e r i n g D a t aS p a r s i t y [J ].J o u r n a l o f J i l i nU n i v e r s i t y (E n g i n e e r i n g a n dT e c h n o l o g y Ed i t i o n ),2022,52(6):1428-1433.)[7] Q U A N W ,J I N GL ,L U O YF ,e t a l .K n o w l e d g eB a s eC o m p l e t i o nv i aC o u p l e dP a t hR a n k i n g [C ]//P r o c e e d i n gs o f t h e54t h A n n u a l M e e t i n g o ft h e A s s o c i a t i o nf o r C o m p u t a t i o n a lL i n gu i s t i c s .[S .l .]:T h e A s s o c i a t i o nf o r C o m p u t e rL i n g u i s t i c s ,2016:1308-1318.[8] WA N G Q ,J IY D ,HA O Y S ,e ta l .G R L :K n o w l e d g e G r a p h C o m pl e t i o n w i t h G A N -B a s e d R e i n f o r c e m e n t L e a r n i n g [J ].K n o w l e d g e -B a s e dS y s t e m s ,2020,209:106421-1-106421-8.[9] WA N G H ,L I SY ,P A N R ,e t a l .I n c o r p o r a t i n g G r a p hA t t e n t i o n M e c h a n i s mi n t oK n o w l e d g eG r a p hR e a s o n i n g B a s e do nD e e p R e i n f o r c e m e n t L e a r n i n g [C ]//P r o c e e d i n g s o f t h e 2019C o n f e r e n c e o nE m p i r i c a lM e t h o d s i nN a t u r a l L a n g u a g eP r o c e s s i n g a n dt h e9t hI n t e r n a t i o n a lJ o i n t C o n f e r e n c eo n N a t u r a lL a n g u a g e P r o c e s s i n g (E MN L P -I J C N L P ).[S .l .]:T h eA s s o c i a t i o n f o rC o m p u t a t i o n a l L i n g u i s t i c s ,2019:2623-2631.[10] N I C K E L M ,T R E S P V ,K R I E G E L H P .A T h r e e -W a y M o d e l f o rC o l l e c t i v eL e a r n i n g o n M u l t i -r e l a t i o n a lD a t a [C ]//I n t e r n a t i o n a lC o n f e r e n c eo nI n t e r n a t i o n a lC o n f e r e n c eo n M a c h i n e L e a r n i n g.N e w Y o r k :A C M ,2011:809-816.[11] Y A N GB ,Y I H W T ,H E X ,e t a l .E m b e d d i n g E n t i t i e sa n dR e l a t i o n s f o rL e a r n i n g a n dI n f e r e n c e i nK n o w l e d ge B a s e s [E B /O L ].(2015-08-29)[2022-02-01].h t t p s ://a r x i v .o r g /a b s /1412.6575.[12] B O R D E SA ,U S U N I E R N ,G A R C I A -D U R A N A ,e t a l .T r a n s l a t i n g E m b e d d i n g sf o r M o d e l i ng M u l t i -r e l a t i o n a l D a t a [C ]//P r o c e e d i n g s o f t h e 26t h I n t e r n a t i o n a l C o n f e r e n c e o n N e u r a l I n f o r m a t i o n P r o c e s s i n g S ys t e m.N e w Y o r k :A C M ,2013:2787-2795.926 第3期 汪雨竹,等:基于元学习的小样本知识图谱补全 Copyright ©博看网. All Rights Reserved.036吉林大学学报(理学版)第61卷[13] WA N GZ,Z HA N GJW,F E N GJ L.K n o w l e d g e G r a p h E m b e d d i n g b y T r a n s l a t i n g o n H y p e r p l a n e s[C]//P r o c e e d i n g s o f t h eT w e n t y-E i g h t h A A A IC o n f e r e n c eo n A r t i f i c a l I n t e l l i g e n c e.P a l o A l t o:A A A IP r e s s,2014: 1112-1119.[14] L I N YK,L I UZY,S U N MS,e t a l.L e a r n i n g E n t i t y a n dR e l a t i o nE m b e d d i n g s f o rK n o w l e d g eG r a p hC o m p l e t i o n[C]//P r o c e e d i n g so ft h e T w e n t y-N i n t h A A A IC o n f e r e n c eo n A r t i f i c a lI n t e l l i g e n c e.P a l o A l t o:A A A IP r e s s,2015:2181-2187.[15]陈文杰,文奕,张鑫,等.一种改进的基于T r a n s E知识图谱表示方法[J].计算机工程,2020,46(5):63-69.(C H E N W J,W E N Y,Z HA N G X,e t a l.A n I m p r o v e d T r a n s E-B a s e d M e t h o d f o r K n o w l e d g e G r a p hR e p r e s e n t a t i o n[J].C o m p u t e rE n g i n e e r i n g,2020,46(5):63-69.)[16] D E T TM E R ST,M I N E R V I N I P,S T E N E T O R PP,e t a l.C o n v o l u t i o n a l2DK n o w l e d g eG r a p hE m b e d d i n g s[C]//P r o c e e d i n g s o f t h eT h i r t y-S e c o n dA A A IC o n f e r e n c e o nA r t i f i c a l I n t e l l i g e n c e a n dT h i r t i e t h I n n o v a t i v eA p p l i c a t i o n s o f A r t i f i c i a l I n t e l l i g e n c e C o n f e r e n c e a n d E i g h t h A A A I S y m p o s i u m o n E d u c a t i o n a l A d v a n c e i n A r t i f i c i a lI n t e l l i g e n c e.P a l oA l t o:A A A IP r e s s,2018:1811-1818.[17] F E N GJZ,W E IQ K,C U IJ M,e ta l.N o v e lT r a n s l a t i o n K n o w l e d g eG r a p hC o m p l e t i o n M o d e lB a s e do n2DC o n v o l u t i o n[J].A p p l i e d I n t e l l i g e n c e,2022,52(3):3266-3275.[18] F I N NC,A B B E E LP,L E V I N ES.M o d e l-A g n o s t i cM e t a-L e a r n i n g f o rF a s tA d a p t a t i o no fD e e p N e t w o r k s[C]//P r o c e e d i n g s o f t h e34t h I n t e r n a t i o n a l C o n f e r e n c e o n M a c h i n eL e a r n i n g.N e w Y o r k:A C M,2017:1126-1135.[19] S N E L LJ,S W E R S K Y K,Z E M E LRS.P r o t o t y p i c a lN e t w o r k s f o rF e w-S h o tL e a r n i n g[C]//P r o c e e d i n g so f t h e31t h I n t e r n a t i o n a l C o n f e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i n g S y s t e m.N e w Y o r k:A C M,2017:4077-4087.[20] A L F A S S Y A,K A R L I N S K Y L,A I D E S A,e ta l.L a S O:L a b e l-S e t O p e r a t i o n s N e t w o r k sf o r M u l t i-l a b e lF e w-S h o tL e a r n i n g[E B/O L].(2019-02-26)[2022-02-10].h t t p s://a r x i v.o r g/a b s/1902.09811.[21]陈明,刘蓉,张晔.基于多重注意力机制的中文医疗实体识别[J/O L].计算机工程,(2022-09-22)[2022-11-01].h t t p s://d o i.o r g/10.19678/j.i s s n.1000-3428.0064583.(C H E N M,L I U R,Z HA N G Y.C h i n e s e M e d i c a l E n t i t y R e c o g n i t i o n B a s e d o n M u l t i p l e A t t e n t i o n M e c h a n i s m[J/O L].C o m p u t e r E n g i n e e r i n g, (2022-09-22)[2022-11-01].h t t p s://d o i.o r g/10.19678/j.i s s n.1000-3428.0064583.)[22] X I O N G W H,Y U M,C HA N G S Y,e ta l.O n e-S h o t R e l a t i o n a lL e a r n i n g f o r K n o w l e d g e G r a p h s[C]//P r o c e e d i n g so ft h e2018C o n f e r e n c e o n E m p i r i c a l M e t h o d si n N e u r a l L a n g u a g e P r o c e s s i n g.[S.l.]:T h eA s s o c i a t i o n f o rC o m p u t a t i o n a l L i n g u i s t i c s,2018:1980-1990.[23] C H E N M Y,Z HA N G W,Z HA N G W,e ta l.M e t a R e l a t i o n a lL e a r n i n g f o r F e w-S h o t L i n k P r e d i c t i o ni nK n o w l e d g eG r a p h s[C]//P r o c e e d i n g s o ft h e2019C o n f e r e n c e o n E m p i r i c a l M e t h o d si n N e u r a l L a n g u a g e P r o c e s s i n g a n dt h e9t hI n t e r n a t i o n a lJ o i n t C o n f e r e n c eo n N a t u r a lL a n g u a g e P r o c e s s i n g(E MN L P-I J C N L P).[S.l.]:T h eA s s o c i a t i o n f o rC o m p u t a t i o n a l L i n g u i s t i c s,2019:4216-4225.[24] S H E N GJ W,G U O S,C H E N Z Y,e ta l.A d a p t i v e A t t e n t i o n a l N e t w o r kf o r F e w-S h o t K n o w l e d g e G r a p hC o m p l e t i o n[C]//P r o c e e d i n g so ft h e2020C o n f e r e n c eo n E m p i r i c a l M e t h o d si n N e u r a lL a n g u a g e P r o c e s s i n g(E MN L P).[S.l.]:T h eA s s o c i a t i o n f o rC o m p u t a t i o n a l L i n g u i s t i c s,2020:1681-1691.[25] V A S WA N IA,S HA Z E E R N,P A R MA R N,e ta l.A t t e n t i o nI s A l lY o u N e e d[C]//P r o c e e d i n g so f t h e31s tI n t e r n a t i o n a l C o n f e r e n c e o nN e u r a l I n f o r m a t i o nP r o c e s s i n g S y s y t e m.N e w Y o r k:A C M,2017:5998-6008.[26] M I T C H E L L T M,C OH E N W W,H R U S C H K AER,e t a l.N e v e r-E n d i n g L e a r n i n g[J].C o mm u n i c a t i o n s o f t h eA C M,2018,61(5):103-115.[27] V R A N D E C I CD,K RÖT Z S C H M.W i k i d a t a:A F r e eC o l l a b o r a t i v eK n o w l e d g e b a s e[J].C o mm u n i c a t i o n so f t h eA C M,2014,57(10):78-85.(责任编辑:韩啸)Copyright©博看网. All Rights Reserved.。
基于结构化视角的单元整体设计路径
教研教学基于结构化视角的单元整体设计路径1●席爱勇 吴玉国*摘 要：从结构化的视角看，单元整体设计的基本路径是：把握单元知识核心元素及其内在关联，形成单元知识的意义关联结构；在此过程中积累活动经验，统整单元方法策略结构；在多种不同的情境下加以应用、诠释和反思，不断凝聚成单元学科思想结构，并逐步转化成学生的认知思维方式、人生阅历智慧，甚至是价值观念，从学科思想结构走向学科素养结构，实现学科整体育人价值。
关键词：知识结构化 单元整体设计 核心素养教学 多边形的面积1本文系江苏省教育科学“十三五”规划重点资助课题“小学数学结构化学习的实践研究”阶段性研究成果（课题编号：R-a/2018/04）。
*席爱勇，江苏省淮安工业园区实验学校副校长，高级教师；吴玉国，江苏省南京市游府西街小学副校长，特级教师。
基于结构化视角的单元整体设计能有效突破因课时设计导致知识碎片化，从而不利于学生形成良好的知识结构、认知结构和素养结构的倾向。
以下，笔者以苏教版义务教育教科书数学五年级上册第二单元《多边形的面积》为例，尝试从结构化视角进行单元整体设计。
一、发现单元核心元素，建构知识关联结构教学中，教师应让学生发现并提炼单元核心元素和意义关联，把握单元知识的本质要素和内在联系，使单元知识具有更强大的结构迁移力和整体生长力，生成单元网络化、模块化知识意义关联结构。
（一）理解单元核心元素，建构本质意义结构单元核心元素是彰显单元知识本质内涵的关键点，理解了单元核心元素，就把握了单元知识的本质要义，也就明晰了认识单元知识本质内涵和内在关联的认知通道。
首先，教师要善于引导学生发现单元核心元素。
例如，求多边形的面积，需要引导学生发现：需紧抓底和对应的高两个核心元素。
平行四边形面积计算公式推导，需要紧紧抓住其底和对应的高，想方设法建构其底和高与拼成的长方形的长和宽的对应关系，这样就可以根据长方形面积计算公式推导出平行四边形面积计算公式。
其次，教师要善于引导学生从众多元素中筛选出核心元素，去除非核心元素。
基于知识图谱的防洪预案管理系统研究与应用
基于知识图谱的防洪预案管理系统研究与应用◎ 郭龙 华北水利水电大学摘 要：水利行业的传统防洪预案内容具体全面，但编制设计主观性较大，文本冗长，在使用过程中防汛人员往往难以快速、直观的表述和理解，不能满足快速精准决策的要求。
利用OCR、NLP、机器学习等先进信息化技术，构建防洪知识图谱，基于知识图谱实现预案的智能问答功能，并且结合用户需求，通过开发防洪预案知识服务系统，可有效提升防洪领域信息检索的速度与精确度，可以有效提高各级水行政主管部门的预案执行效率。
关键词：机器学习；知识图谱；防洪预案；知识管理1.引言防汛预案是防汛工作的重要理论基础，是各级防汛指挥部门进行防汛准备、实施指挥决策、防汛抢险救灾的重要依据。
传统防汛预案种类多、数量大、涉及内容范围广的特点，导致在学习、查阅与借鉴时需要耗费大量的人力物力，不能满足防汛业务的快速会商与精准决策需要，传统防汛预案目前虽部分实现了计算机存储和管理，但智能化水平较低。
采用OCR、NLP、机器学习等先进信息化技术，研究构建防汛预案知识图谱，可实现防汛预案应用的数据化、知识化、智能化程度[1]。
智能问答技术可以拓展预案应用的交互方式，提升预案知识的检索效率和准确率[2]。
知识服务系统可以实现防汛预案知识表示、检索、可视化、智能问答，让行业相关人员能够更快捷、便利、高效地获取信息与知识，提高分析和决策效率。
2.基本情况根据水利部的智慧水利整体要求构建防洪预案知识管理系统，设计开发水利预案管理系统、水利知识图谱管理系统、历史场景模式管理系统、业务规则管理系统、智能算法推荐系统、预案专家经验管理系统、预案效果评价系统，全面服务于防洪预案业务需求，向全国智慧水利项目建设提供权威、智能、动态的预案知识服务体系。
防洪预案管理系统总体业务流程如图1所示。
3.功能设计本平台以水利知识引擎为基础，业务涉及水利知识图谱系统、灾害业务规则管理系统、灾害历史场景管理系统、水灾害智能算法推荐系统、预案专家经验管理系统、水灾害预案管理及效果评价系统等6个部分。
基于知识元的文本知识标引
基于知识元的文本知识标引所谓知识元，是指不可再分割的具有完备知识表达的知识单位。
从类型上分，包括概念知识元、事实知识元和数值型知识元等。
特性可以归纳出知识元的如下特性：（1）知识元是显性知识（explicit knowledge）的最小可控单位。
所谓显性知识，是相较于存在于人脑中的隐性知识（tacit knowledge）而言的，能用文字和数字表达出来，容易以硬数据的形式交流和共享，并且经编辑整理的知识。
显性知识是以一定的形式记载在一定的载体上，如文献等。
显性知识载体上的内容是诸多知识元的组合。
人们对知识的控制还停留在文献的层次，使得文献内包含的知识元没有得到应有的揭示，也就得不到应有的利用。
（2）知识元是完备的，即一个知识元在逻辑上是完整的，能表达一个完整的事实、原理、方法、技巧等。
（3）知识元是有一定结构的，而且由于这种结构性，导致了知识表达的一系列方法仍对表达知识元适用。
所以，也可以说，知识元是可以表达的。
（4）众多的知识元通过一定的语义连接在一起，可以导致知识价值的增值，甚至是催生新的知识。
通过知识元的链接和发掘各知识元的相关联系，是知识元服务的重要手段和目的，以此来揭示知识元之间的各种关联，得以创造新的知识。
（5）数据仓库和数据挖掘等原理和技术仍适用于对知识元的存储和利用。
所谓知识元，是指不可再分割的具有完备知识表达的知识单位。
从类型上分，包括概念知识元、事实知识元和数值型知识元等。
"元"是最初、基本的意思，是一个小的单位，那么“知识元”呢便是基础知识的意思，他可以是一个知识体系中的最小单位。
比如说物理学中，力、热、光、电、声分别都是一个小的知识元，电流、电阻、电压又是电学的一个知识元。
以此类推。
元知识不是一种具体的知识，而是独立思考的能力，一个人依靠自己的能力能判断出是非对错的，能提供解决方案的能力!简单来说，你看一篇随便什么论文，比如说论文说的是算法，那么元知识指的就是要理解这个算法所需要的基础（不包括算法本身），如果说的是老虎的习性，那么元知识指的就是你要首先知道老虎是啥东西，习性是啥意思，否则你完全无法理解老虎的习性的论文说的是啥。
智慧应急整体架构解决方案V2
关键技术选型及原因阐述
大数据技术
用于处理海量的应急数据，挖掘数 据价值，为预警预测和辅助决策提
供数据支持。
人工智能技术
利用机器学习、深度学习等技术手 段，实现对应急数据的智能分析和 处理，提高预警预测的准确性和时
效性。
物联网技术
通过物联网设备采集现场数据，实 现对应急现场的实时监测和感知。
云计算技术
疫情监测
01
通过大数据分析、社交网络分析等手段，实时监测疫情动态，
为防控策略制定提供依据。
医疗救治
02
运用远程医疗、智能诊疗等技术，提高救治效率和质量，降低
死亡率。
资源调配
03
通过智慧应急平台，实现医疗资源的统一调配和优化配置，确
保救治工作顺利进行。
社会安全事件防范和打击
情报收集
运用大数据、人工智能等技术手段，收集和分析社会安全事件相 关情报信息。
设计原则与目标定位
目标定位
实现跨部门、跨地区、跨层级的协同联 动，形成统一的应急指挥平台。
构建高效、智能的应急响应体系，提高 政府和企业的应急处置能力。
利用大数据、人工智能等技术，提升预 警预测、辅助决策等能力。
总体架构框架介绍
感知层
通过物联网、传感器等技术手段，实 现对突发事件现场数据的实时采集和 传输。
01
02
网络层
利用互联网、移动通信网等网络资源 ，实现数据的快速、安全传输。
03
数据层
对采集的数据进行清洗、整合、存储 和管理，构建应急大数据平台。
展示层
通过大屏展示、移动端应用等方式， 将智慧应急应用的结果呈现给决策者 和公众。
05
04
应用层
突发事件应急决策模型与分析方法
研究内容与方法
研究内容
针对现有研究的不足，本研究旨在构建一个更加科学、实用的突发事件应急决策模型，并对其进行分析和优化。
研究方法
采用文献综述、案例分析和实证研究等多种方法，综合运用数学建模、计算机仿真等技术手段，对突发事件应急 决策模型进行深入探讨。
02
突发事件应急决策理论基础
突发事件定义与特征
准确的分析结果。
05
应急决策模型应用案例
案例选择与数据收集
案例选择标准
选择具有代表性的突发事件作为案例， 考虑事件的严重性、影响范围和复杂程 度等因素。
VS
数据收集方法
通过文献资料、现场调查、专家访谈等方 式，全面收集与突发事件相关的数据和信 息，包括事件发生背景、时间、地点、人 员伤亡和财产损失等。
定义
突发事件是指在短时间内突然发生，可能对社会、环境和人类造成严重危害的事件。
特征
突发事件通常具有不可预测性、紧迫性、复杂性和广泛影响性等特点，需要快速、准确和有效的应对 措施。
应急决策概念与原则
概念
应急决策是指在突发事件发生时，决策者根据实际情况和资源条件，制定并实施应对措 施的过程。
原则
应急决策应遵循科学性、时效性、灵活性和协同性等原则，确保决策的有效性和及时性 。
理论意义
研究突发事件应急决策模型与分 析方法，有助于完善应急管理理 论体系，提高应急响应能力。
实践价值
为政府和企业在应对突发事件时 提供科学、有效的决策支持，减 少灾害损失。
研究现状与问题
研究现状
目前国内外学者在应急决策领域取得 了一定的研究成果，但仍存在不足之 处。
存在问题
现有研究缺乏系统性和综合性，决策 模型和分析方法不够完善，难以满足 实际需求。
基于学生认知规律的高中数学建模初探
基于学生认知规律的高中数学建模初探作者：徐东辉来源：《数学教学通讯·高中版》2021年第05期[摘要] 在高中数学教学的传统中，数学建模一直有着重要的地位. 在数学学科核心素养的六个要素当中，数学建模所起的作用既有承上又有启下，且具有高度的概括性. 从认知角度看数学建模而言，有着非常重要的启发，从数学建模策略的角度来看，笔者以为应当有这样两点认识：第一，数学建模要考虑学生的认知表征;第二，学生数学建模过程中会运用到模型猜想、模型建构、模型运用、学习反思等等，因此相应的数学建模策略就有模型假设策略、模型建构策略、模型自我监控策略等等. 在数学建模的过程当中，教师除了要积累经验性认识之外，更应当从学生认知规律的把握与运用角度去引导学生进行高效的数学建模.[关键词] 高中数学;数学建模;认知规律随着最新修订的《普通高中数学课程标准》的颁布，以数学学科核心素养为关键词的、对数学课程的理解与认识，越来越凸显出对数学建模的重视. 之所以在这里特别强调数学建模，是因为在高中数学教学的传统中，数学建模一直有着重要的地位，当数学建模成为数学学科核心素养六个要素之一时，不仅意味着在高中数学课程当中，已然继承了高中数学教学中对数学建模的传统性认识，同时也意味着数学建模面临着新的教学需要——在数学学科核心素养的六个要素当中，数学建模所起的作用既有承上又有启下，且具有高度的概括性，一个数学模型的建立过程，往往既用到数学抽象，又用到逻辑推理;既涉及学生的几何直观，也有可能涉及数学运算与数据分析. 认识到这一点，就能够认识到数学建模在数学学科知识体系当中的地位. 然而一个不容乐观的实际情况是，十年来的实践表明，高中数学建模教学效果并不令人满意，究其重要原因之一在于，缺乏基于学生认知规律的高中数学建模教学理论指导. 这是一个值得高度重视的问题，只有真正立足于学生的认知规律，去培养学生的数学建模素养，才能为数学学科核心素养的落地奠定基础.数学建模的认知基础应当说数学建模是需要学生的认知基础的，从宏观的角度来看，学生的学习过程是受认知规律支配的，数学建模作为一个思维含量极高的学习过程，自然也是受认知规律来支配的. 只是认识到这一点，还不足以寻找到数学建模的认知基础. 有研究者基于科学研究方法的选择，通过对比研究的方法，选择专家被试与新手被试作为比较的对象进行研究. 研究的结果表明，学生在数学建模的过程中，问题表征、策略运用、思路特点、建模结果及解题效率等方面存在显著差异. 这种差异对于从认知角度看数学建模而言，有着非常重要的启发，从数学建模策略的角度来看，笔者以为应当有这样两点认识：第一，数学建模要考虑学生的认知表征. 数学知识有隐性与显性之分，学生在学习过程中的认知过程，更多的则是隐性的，但这并不意味着学生的认知过程不好把握，恰恰相反，大量的研究表明，数学建模过程中的认知表征有符号表征、方法表征和机理表征三种方式. 符号表征指向学生的形象思维，更多的是用文字、图形、图表等等描述学生的模型建立过程，而机理表征指向学生的抽象思维，强调在数学建模过程中对数学建模原理的把握，方法表征介于两者之间. 当学生用方法表征来体现数学建模过程时，往往会同时运用到形象思维与抽象思维. 如此将思维形式与表征形式结合在一起，也就实现了从内到外对数学建模过程中认知方式的理解.第二，学生数学建模过程中会运用到模型猜想、模型建构、模型运用、学习反思等等，因此相应的数学建模策略就有模型假设策略、模型建构策略、模型自我监控策略等等. 这些策略都是相对于学生的数学建模过程而提出的，比如模型假设策略，就是考慮到学生在面对现实事物或者现实问题时，他们会通过数学抽象去寻找其中的数学元素，然后猜想可能的数学模型. 此时在学生的认知当中猜想是必然存在的，也正因为有了猜想，学生才有了建构数学模型的动力，在数学建模的过程当中，学生所猜想的模型可能存在一些缺陷，因此需要通过自我监控来进一步优化模型.由以上两点可以发现，学生的数学建模过程中，确实有着丰富的认知参与，而基于对学生认知规律的把握，去培养数学建模素养，也应当成为高中数学教师的必然选择.基于认知规律的数学建模教学上面提到数学建模过程中的表征方式，在高中数学教学中面向学优生与一般学生，然后进行比较研究，结果发现，在数学建模问题表征的方式、广度和方法方面，一般学生都习惯于采用符号表征和方法表征这两种方式，但优生更多地采用机理表征方式，这就意味着不同学生的思维方式，在数学建模的过程当中表现是有差异的. 进一步比较研究才发现，优生倾向于进行多元表征，一般生倾向于进行单一表征;优生倾向于运用循环表征方法，一般生倾向于运用单向表征方法. 这一研究结果告诉我们，在数学建模的过程当中，优生的思维角度是比较广的，而一般学生的思维则相对比较狭窄. 同时优秀学生与一般学生在数学建模策略运用方面也有区别，前者一般习惯于运用平衡性假设的策略，而后者习惯于运用精确性假设策略，这是一个非常值得研究的现象. 笔者判断优秀学生与一般学生在数学建模过程中表现出来的学习信心是不同的，一般学生迫切地想寻找到准确的方向，而优秀学生则相信即使方向模糊，依然能够完成数学模型的建立. 在自我监控策略的运用上，研究也表明优秀学生能够运用即时监控策略，而一般生则更多地运用回顾监控策略;优生倾向于运用理论推演检验策略和直觉判断检验策略，一般生倾向于运用数据检验策略;优生倾向于运用假设调整策略和建模方法调整策略，一般生倾向于运用模型求解调整策略. 从这些认识出发，在具体的教学实践中，教师设计数学建模的思路也就会更加清晰.例如，“对数函数”这一概念的教学，笔者就在开门见山提出问题的基础上，立足于让学生通过自身的认知能力，去自主建构起对数函数这一模型. 具体的设计包括问题情境的创设与问题的提出：如果我国的人口基数是13亿，且人口增长率是1%，就可以根据y=13×1.01 算出任意一年的人口总数;那么反过来能否根据某一年的人口总数，比如说是18亿或者20亿，去判断需要多少年呢？显然这既是一个实际问题，又是一个数学问题，学生在面对这个问题的时候，能够顺利地经过逻辑推理，判断出这是一个已知y值要求出x值的问题. 既然x处于指数位置，那么逆过来之后，就变成一个对数问题. 这样的逻辑推理对于学生而言并不具有很大的难度，因此这里可以让学生自主探究，自主运用数学语言去描述. 实际教学表明，超过一半以上的学生都能够在原先的数学知识基础之上，总结得出对数函数的基本表述，而大多数学生也能够写出y=logax这一表达式，至于对数函数的具体表述及定义域与值域，只可以在后续的研究过程当中逐步完善.从认知发展的角度来看，这样一个数学建模的过程当中，学生从对数学文字信息的加工，到后来借助于文字信息去描述对数函数，包括再后面的借助于函数图像去丰富对对数函数性质的理解，实际上都是一个抽象思维与形象思维结合的过程，这也就呼应着上面提到的机理表征;同样在这一过程中，学生建立对数模型的过程，也有一个猜想、验证及自我监控的过程，这在客观上说明上述数学建模策略是有效的.基于认知规律的数学建模教学的思考毫无疑问的一点是，为了适应数学教学改革的需求，逐步提升学生的数学文化及综合应用能力，必须加强数学建模教学. 文章开头已经提到，数学建模在高中数学及其教学中重要性一直存在，而在数学建模的过程当中，教师除了要积累经验性认识之外，更应当从学生认知规律的把握与运用角度去引导学生进行高效的数学建模.同样可以肯定的是，数学建模过程中学生的认知规律，是可以为教师所把握的. 无论是面对相对形象的生活事例，还是面对相对抽象的数学问题，数学建模的起点，往往就是学生通过数学抽象或者逻辑推理，打开数学建模大门的过程. 在具体的数学建模过程当中，无论是优秀学生采用的模糊策略，还是一般学生所追求的精确策略，都必然存在着猜想过程. 猜想是决定数学建模方向的关键，猜想之后就是结合具体的实例进行验证，验证的过程当中学生的自我监控心理會发挥作用，这与认知心理中所强调的元认知是一脉相承的. 因此基于认知视角看数学建模，实际上就是一个认知与元认知相结合的过程，这对于高中学生而言是一个非常适宜的认知过程. 如果在数学建模的过程当中，教师能够给学生提供丰富的问题解决空间，那学生所建立起来的数学模型就可以得到巩固的机会，这样从数学模型的建立到数学模型的运用，就可以让学生的数学建模能力得到充分的生长，包括数学建模在内的数学学科核心素养落地，也就有了充分的保障.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ｅｍｅ ｇ ｎ ｙ ｄ ｃ ｍｅ ｔｓｒ ｃｕ ｅ ｍｏ ｅｉ ｇｂａ ｅ ｎ ｋ ｏ ｅ ｇ ｌｍｅ ｔ ｒ ｅ ｃ ｏ ｕ ｎ ｔｕ ｔ ｒ ｄ ｌｎ ｓ ｄ ｏ ｎ ｗｌｄ ｅ ｅｅ ｎ
Ｌ Ａ ａ—ｉ Ｘ Ｏ Ｇ Ｈ ｉｈ ｉ Ｙ ｏ ｇ ｈ ｉ Ｉ Ｏ Ｋ ｉｊ， Ｉ Ｎ ｕ— ｕ ， Ｅ Ｄ ｎ — ａ
（ ｃｏｌｆＢ ｓ ｅ ｄ ｎｓａｉｎ Ｓ ｕｈＣ ｉａＵ ｉ ｒｔ ｏ ｅｈｏｏｙ ｕｎ ｚｏ ６ ０ ｈｎ ） Ｓｈｏ ｕｉ ｓ Ａ ｍｉｉｒｔ ， ｏｔ ｈｎ ｎｖ ｓｙ ｆＴｃｎｌ ，Ｇ ａ ｇｈｕ５ ０ ４ ，Ｃ ｉａ ｏ ｎｓ ｔ ｏ ｅ ｉ ｇ １
Ａｂｓｒ ｃ ： Ｌｏ ｕｔ ｉａ ｉｎ ａ ｅ ｒ ｈ ｏ ｍ ｅｇ ｎｃ ｏ ｕｍｅ ｔｋｎ ｗｌ ｄ ｅ ｒｓ ｌ ｎ ｍ ａ ｉ ｍ ｅｇ ｎｃ ｃｓｏ ｎｅｆｃｅ ｔｙ ａ ｄ ｔａ ｔ ｗ ｉ ｚ ｔｏ ｎｄ ｓ ａ ｃ ｆｅ ｒ ｅ ｙ ｄ ｃ ｌ ｎ ｏ ｅ ｇ ｅ ｕ ｔｉ ｋｎｇ ｅ ｒ ｅ ｙ ｄｅ ｉｉ ｎ ｉ ｆｉ ｉｎ ｌ ｎ ｓｏ ｙ ｆｒｔ ｅ ｄｅ ｉ ｅ ｓ Ｆｒ ｍ ｈｅ ｐ ｒｐｅ ｔ ｆｋ ｗｌｄｇ ｙｓｅ ｅ ｇｎｅ ｒｎ ｌｗｌ ｏ ｈ ｃ ｄ ｒ ． ｏ ｔ ｅ ｓ ｃｉ ｏ ｎｏ ｅ ｅ ｓ ｔ ｍ ｎ ｉ ｅｉ ｇ，ｔ ｉ ｐ ｐ ｒ ｃ ｎ ｕｃｅ ｎ ｄｅ ｈ ｔ ｙ ｏ ｈｅ ｖｅ ｈ ｓ ａ ｅ ｏ ｄ ｔｄ ｉ — ｐｔ ｓｕｄ ｎ ｔ
第２ ８卷 第 １期 ２ １ 年 １月 ０１
计 算 机 应 用 研 究
Ａｐ ｌ ａｉ ｎ பைடு நூலகம்ｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆＣ ｍｐ ｔ ｒ ｃ ｏ
Ｖｏ ． ８ Ｎｏ １ １２ ．
Ｊｎ ２ １ ａ． ０ １
基 于 知 识 元 理 论 的应 急 文 档 结 构 化 建 模 术
关键 词 ：应急 文档 ； 知识 元 ； 急决策 ； 征 向量 应 特
中图分 类号 ：Ｔ ３ １ Ｐｌ 文献标 志码 ：Ａ 文章 编号 ：１０ — ６ ５ ２ １ ） １ ０ ７ —４ ０ １３ ９ （０ １ Ｏ — １５ ０
ｄ ｉ１ ．９ ９ ｊｉ ｎ １０ — ６ ５ ２ １ ． １０ ９ ｏ：０ ３ ６／ ．ｓ ．０ １３ ９ ． ０ １０ ．４ ｓ
廖开际 ， 熊会会 ，叶东海
（ 南理 工大 学 工 商管理 学院 ， 州 ５０４ ） 华 广 １６０ 摘 要 ：针 对 因应 急文档 知识 查找和 利 用效 率不 高造 成应 急 决策者 不能 快速有 效制 定应 急决 策 的 问题 ， 从知 识
系ｑ ． 程 的角度 出发 ， Ｙ － 结合 知识元 理论 对应 急文档 知识 进行 结 构化 建模 ， 决 策者 快 速有 效 地使 用应 急 文档 知 为 识提 供 了一种 新 的途 径 。通过 对物理 结构 分析提 取元 数据 和进行 文档 结构 化 处理 ， 对逻辑 结 构分 析提 出知识 元 提 取 的方 法 ， 识元 导航 链接 建 立知识 与结 构化 文档 间的 关联 ， 知 进行知 识推 理与检 索 ， 并对应 急文 档 的细 粒度 知 识挖掘模 式进 行 了深入 的探 讨 。最后 开发 了应 急决 策知识 支持 系统原 型并进 行 了验证 ， 结果表 明该 建模 方 法能 有效 解决应 急文档知 识查 找和 利用效 率不 高的 问题 。
ｉ —ｒ ｉ ｅ ｎ ｗ ｅ ｇ ｉ ｖ ｒ ｄ ｆｅ ｒ ｅ ｃ ｏ ｕ ｎ ｓａ ｄ ｐ ｏ ｉ ｅ ｅ ａ ｅ ｉｉｎ ｍａ ｅ ｓｔ ｑ ｉｋ ｙａ ｄ ｅ－ ｆ ｅ ｇ ａｎ ｄ ｋ ｏ ｌ ｄ ｅｄ ｓ ｏ ｅ ｙ ｍｏ ｅ ｏ ｍｅｇ ｎ ｙｄ ｃ ｍｅ ｔ ｎ ｒ ｖ ｄ ｄ ａ ｎ ｗ ｗ ｙ ｆｒｄ ｃｓｏ — ｋ ｒ ｕ ｃ ｌ ｎ ｆ ｎ ｃ ｏ ｏ ｆｅｉ ｅｙ ｕ ｅ ｅ ｒ ｅ ｃ ｏ ｕ ｎ ｎ ｗ ｅ ｇ ｙ ｅ ｒ ｅ ｃ ｏ ｕ ｎ ｎ ｗ ｅ ｇ ｄ ｌ ｇ ｂ ｓ ｄ ｏ ｎ ｗ ｅ ｇ ｌ ｍｅ ｔ ｈ ｅ ｔ ｌ ｓ ｍｅ ｇ ｎ ｙ ｄ ｃ ｍｅ ｔｋ ｏ ｌ ｄ ｅ ｂ ｍｅ ｇ ｎ ｙ ｄ ｃ ｍｅ ｔ ｏ ｌ ｄ ｅ ｍｏ ｅｉ ａ ｅ ｎ ｋ ｏ ｌ ｄ ｅ ｅ ｅ ｎ ．Ｔ ｅ ｖ ｋ ｎ ｍｏ ｅｉ ｇ ｐ ｏ ｅ ｓ ｉｃｕ ｅ ｈ ｎ ｌｓｓｏ ｈ ｓｃ ｌａ ｄ ｌｇｃ ｌｓ ｕ ｔｒ ｄ ｌ ｒ ｃ ｓ ｎ ｌ ｄ ｄ ｔ ｅ ａ ａｙ ｉ ｆ ｙ ｉ ａ ｎ ｏ ｉａ ｔ ｃｕ ｅ，ｔ ｅ ｎ ｖｇ ｔ ｎ ｌ ｋ ｂ ｓ ｄ ｏ ｎ ｗ ｅ ｇ ｌｍｅ ｔａ ｄ ｎ ｐ ｒ ｈ ａ ｉａｉ ｉ ａ ｅ ｎ ｋ ｏ ｌ ｄ ｅ ｅｅ ｎ ｎ ｏ ｎ ｔ ｅ ｋ ｏ ｅ ｇ ｅ ｓ ｎ ｎ ｎ ｅｒ ｖ １ ｎ ｔ ｅｐ ｏ ｅ ｓｏ ｈ ｓ ａ ｎ ｌ ｓｓ ｘｒ ｃ ｅ ｈ ｔ ｄ ｔ ｎ ｒ ｃ ｓｅ ｈ ｏ ｕ ｎ ｈ ｎ ｗｌｄ ｅ ｒ ａ ｏ ｉ ｇ ａ ｄ ｒ ｔ ｅ ａ ．Ｉ ｈ ｒ ｃ ｓ ｆｐ ｙ ｉ ｌ ａｙ ｉ ，ｅ ｔ ｔ ｄ ｔ ｅｍｅ ａ ａａ ａ ｄ ｐ ｏ ｅ ｓ ｄ ｔ ｅ ｄ ｃ ｍｅ ｔ ｉ ｃ ａ ａ ｓ ｃｕ ｅ ．Ｉ ｈ ｏ ｉａ ｎ ｌｓｓ ｐ ｏ ｏ ｅ ｎ ａ ｐ ｏ ｃ ｏ ｅ ｔａ ｔｔ ｅ ｋ ｏ ｅ ｇ ｌｍｅ ｔ ｔ ｔ ｒ ｄ ｎ ｔ ｅ ｌｇ ｃ ｌａ ａｙ ｉ ｒ ｐ ｓ ｄ ａ ｐ ｒ ａ ｈ ｔ ｘｒ ｃ ｈ ｎ ｗｌｄ ｅ ｅｅ ｎ ．Ｅｓ ｂ ｉｈ ｄ ｔ ｅ ｌ ｋ ｂ ｔ ｅ ｈ ｕ ｒ ｔ ｌ ｅ ｈ ｉ ｅｗｅ ｎ ｔｅ ａ ｓ ｎ