摘要
HighLights
研究目标
研究内容
- 知识图谱是客观世界的一种重构，与神经网络相比，它是一种可直接解释的人工智能，已逐渐成为人工智能关键技术之一，被广泛应用于智能问答(Lukovnikov et al., 2017)、智能搜索(Wang et al., 2018)和个性化推荐(Palumbo et al., 2018)等领域。
- 知识图谱的构建技术一直是研究的热点之一。在信息抽取方面，Liu等(2011b)利用邻近算法(KNN)与条件随机场模型，实现了对Twitter文本数据中实体的识别。在知识加工方面，Wang等(2013)利用基于主题进行层次聚类的方法得到本体结构。谷歌Knowledge Vault根据抽取到的结构化信息的频率对数据可信度进行评分，提高了知识图谱中知识的质量(Dong et al., 2014)。
- 地质大图形问题可以转化为大型的复杂网络空间问题。复杂系统普遍具有模块结构(社区结构)特性，网络中的社区结构识别对理解整个网络的结构和功能有重要价值，可帮助分析、预测网络各元素间的交互关系。
- 关联规则(association rules)和推荐系统(recommender systems)算法是过去十年中数据挖掘中最活跃的研究方法之一，已引入地质领域研究。
- 复杂地质条件下地球化学异常的识别与提取是地质大数据和人工智能算法研究应用的热点领域之一(Carranza and Laborte, 2015; Aryafar and Moeini, 2017)。目前在地球化学研究中应用的算法主要包括神经网络、支持向量机、随机森林、决策树、极限学习机等(Tahmasebi and Hezarkhani, 2012; Izadi et al., 2013; Chen et al., 2014 ; Rodriguez-Galiano et al., 2014; Carranza and Laborte, 2015; Harris and Grunsky, 2015; Geranian et al., 2016; Chen and Wu, 2017; Yu et al., 2019; Zuo et al., 2019; 余晓彤等， 2019; 陈丽蓉， 2019)。机器学习的各种算法不仅能够处理大量的与矿产预测相关的证据图层，还具有识别已知矿床与证据图层之间非线性关系的潜力(Rodriguez-Galiano et al., 2015; 向杰等， 2019)。
- 大地质科学计划
- OneGeology是2008年8月于挪威奥斯陆召开的第33届国际地质大会上发起的国际科学合作“OneGeology计划”,即“同一个地质计划”,其目标是实现全球的地质图信息共享，让所有人都可以在网络上取得全世界的动态数字化地质图，
- “玻璃地球”建设的倡议由澳大利亚的地学家率先提出，澳大利亚政府随即于2001年正式启动了“玻璃地球”计划，加拿大、法国、荷兰、英国、美国和德国等随之响应
- 深时数字地球(DDE)2018年，中国科学家倡导开展“深时数字地球”国际大科学计划(DDE),该计划于2019年正式启动，旨在整合全球演化数据，共享全球地学知识，构建地球科学大数据平台，实现海量文件的机器阅读、海量数据的智能整合分析，助力生态环境保护研究、能源矿产勘探、气候变化研究、深时地球演化等重大科学问题和重大社会需求，成为全球地球科学研究人员的强大科研助手，推动科学技术、国民经济等领域的创新与突破。
研究方法
结论
解决的问题
正文