现有使用预训练语言模型和知识图谱的常识问答方法主要集中于构建知识图谱子图及跨模态信息结合的研究，忽略了知识图谱自身丰富的语义特征，且缺少对不同问答任务的知识图谱子图节点相关性的动态调整，导致预测准确率低。为解决以上问题，提出一种融入三维语义特征的常识推理问答方法。首先提出知识图谱节点的关系层级、实体层级、三元组层级三维语义特征量化指标；其次，通过注意力机制动态计算关系层级、实体层级、三元组层级三种维度的语义特征对不同实体节点间的重要性；最后，通过图神经网络进行多层聚合迭代嵌入三维语义特征，获得更多的外推知识表示，更新知识图谱子图节点表示，提升答案预测精度。与QA-GNN常识问答推理方法相比，所提方法在CommonsenseQA数据集上的验证集和测试集的准确率分别提高了1.70个百分点和0.74个百分点，在OpenBookQA数据集上使用AristoRoBERTa数据处理方法的准确率提高了1.13个百分点。实验结果表明，所提出的融入三维语义特征的常识推理问答方法能够有效提高常识问答任务准确率。
针对传统的基于概率图模型的竞技水平估计算法忽略了先后手(主客场)优势从而影响估计精度的问题,提出一种融合先后手优势的竞技水平估计算法。该算法在竞技水平估计算法的图模型上,引入先后手节点,将先后手优势与选手真实竞技水平融合;然后利用比赛结果,采用贝叶斯学习的方法同时估计选手的真实竞技水平和先后手优势;最终根据估计结果对比赛进行预测。在两个真实比赛数据上的对比实验〖BP(〗原文“试验”〖BP)〗表明,相对于没有融合先后手优势的估计算法,该方法能够明显提高竞技水平估计的精度。
