Aktywacja rozsiewania - Spreading activation

Aktywacja rozprzestrzeniająca to metoda wyszukiwania sieci asocjacyjnych, biologicznych i sztucznych sieci neuronowych lub sieci semantycznych . Proces wyszukiwania jest inicjowany przez oznaczenie zbioru węzłów źródłowych (np. pojęć w sieci semantycznej) wagami lub „aktywacją”, a następnie iteracyjne propagowanie lub „rozprzestrzenianie” tej aktywacji na inne węzły połączone z węzłami źródłowymi. Najczęściej te „wagi” są rzeczywistymi wartościami, które zanikają w miarę rozprzestrzeniania się aktywacji w sieci. Gdy odważniki są dyskretne, proces ten jest często określany jako przechodzenie znacznika. Aktywacja może pochodzić ze ścieżek alternatywnych, identyfikowanych przez odrębne znaczniki, i kończyć się, gdy dwie ścieżki alternatywne docierają do tego samego węzła. Jednak badania mózgu pokazują, że kilka różnych obszarów mózgu odgrywa ważną rolę w przetwarzaniu semantycznym .

Rozprzestrzenianie się aktywacji w sieciach semantycznych jako model zostało wynalezione w psychologii poznawczej w celu modelowania efektu rozproszenia.

Aktywacja rozprzestrzeniania może być również zastosowana w wyszukiwaniu informacji , za pomocą sieci węzłów reprezentujących dokumenty i terminy zawarte w tych dokumentach.

Psychologia kognitywistyczna

W odniesieniu do psychologii poznawczej rozprzestrzenianie się aktywacji jest teorią, w której mózg iteruje przez sieć powiązanych pomysłów w celu odzyskania określonych informacji. Teoria rozprzestrzeniania się aktywacji przedstawia szereg pojęć w naszej pamięci jako jednostki poznawcze, z których każda składa się z węzła i powiązanych z nim elementów lub cech, wszystkie połączone ze sobą krawędziami. Rozprzestrzeniająca się sieć aktywacji może być przedstawiona schematycznie, w postaci diagramu sieciowego z krótszymi liniami między dwoma węzłami, co oznacza, że ​​pomysły są ściślej powiązane i zazwyczaj będą kojarzone szybciej z oryginalną koncepcją. W przypadku psychologii pamięci model aktywizacji rozprzestrzeniania oznacza, że ​​ludzie organizują swoją wiedzę o świecie w oparciu o swoje osobiste doświadczenia, co oznacza, że ​​te osobiste doświadczenia tworzą sieć idei, która jest wiedzą danej osoby o świecie.

Kiedy słowo (cel) jest poprzedzone słowem skojarzonym (liczba pierwsza) w zadaniach rozpoznawania słów, uczestnicy wydają się działać lepiej w czasie, jaki zajmuje im odpowiedź. Na przykład, badani reagują szybciej na słowo „lekarz”, gdy jest poprzedzone słowem „pielęgniarka”, niż gdy jest poprzedzone niezwiązanym słowem, takim jak „marchew”. Ten efekt torowania semantycznego ze słowami, które mają bliskie znaczenie w sieci poznawczej, zaobserwowano w wielu zadaniach zadawanych przez eksperymentatorów, od weryfikacji zdań po decyzje leksykalne i nazywanie.

Jako inny przykład, jeśli oryginalna koncepcja jest „czerwona”, a koncepcja „pojazdy” jest zagruntowana, znacznie bardziej prawdopodobne jest, że powiedzą „wóz strażacki” zamiast czegoś niezwiązanego z pojazdami, takiego jak „wiśnie”. Gdyby zamiast tego „owoce” zostały zagruntowane, prawdopodobnie nazwaliby „wiśnie” i kontynuowaliby stamtąd. Aktywacja ścieżek w sieci ma wiele wspólnego z tym, jak ściśle powiązane są ze sobą dwa pojęcia, a także z tym, jak podmiot jest przygotowywany.

Algorytm

Wykres ukierunkowany jest wypełniany przez węzły[ 1...N ], z których każdy ma powiązaną wartość aktywacji A [ i ], która jest liczbą rzeczywistą z zakresu [0,0 ... 1,0]. Link[ i, j ] łączy węzeł źródłowy[ i ] z węzłem docelowym[ j ]. Każda krawędź ma przypisaną wagę W [ i, j ] zwykle liczbę rzeczywistą z zakresu [0,0 ... 1,0].

Parametry:

  • Próg odpalania F, liczba rzeczywista z zakresu [0,0...1,0]
  • Współczynnik zaniku D, liczba rzeczywista z zakresu [0,0...1,0]

Kroki:

  1. Zainicjuj wykres, ustawiając wszystkie wartości aktywacji A [ i ] na zero. Ustaw jeden lub więcej węzłów początkowych na początkową wartość aktywacji większą niż próg wyzwalania F. Typowa wartość początkowa wynosi 1,0.
  2. Dla każdego niezapalonego węzła [ i ] na wykresie o wartości aktywacji A [ i ] większej niż próg odpalenia węzła F:
  3. Dla każdego łącza [ i, j ] łączącego węzeł źródłowy [ i ] z węzłem docelowym [ j ] dostosuj A [ j ] = A [ j ] + (A [ i ] * W [ i, j ] * D) gdzie D jest czynnikiem rozpadu.
  4. Jeśli węzeł docelowy otrzyma korektę swojej wartości aktywacji tak, że przekroczy 1,0, ustaw jego nową wartość aktywacji na 1,0. Podobnie utrzymuj 0,0 jako dolną granicę wartości aktywacji węzła docelowego, jeśli otrzyma korektę poniżej 0,0.
  5. Gdy węzeł zostanie uruchomiony, może nie zostać uruchomiony ponownie, chociaż odmiany podstawowego algorytmu umożliwiają wielokrotne uruchamianie i pętle na wykresie.
  6. Węzły otrzymujące nową wartość aktywacji, która przekracza próg odpalania F, są oznaczane do odpalenia w następnym cyklu aktywacji rozszerzania.
  7. Jeśli aktywacja pochodzi z więcej niż jednego węzła, odmiana algorytmu pozwala na przejście znacznika w celu rozróżnienia ścieżek, którymi aktywacja jest rozłożona na grafie
  8. Procedura kończy się, gdy nie ma więcej węzłów do uruchomienia lub w przypadku znacznika przechodzącego z wielu źródeł, gdy węzeł jest osiągany z więcej niż jednej ścieżki. Odmiany algorytmu, które pozwalają na powtarzane uruchamianie węzłów i pętle aktywacji na wykresie, kończą się po osiągnięciu ustalonego stanu aktywacji, w odniesieniu do pewnej delty, lub po przekroczeniu maksymalnej liczby iteracji.

Przykłady

W tym przykładzie aktywacja rozprzestrzeniania pochodzi z węzła 1, który ma początkową wartość aktywacji 1,0 (100%). Każdy link ma taką samą wagę 0,9. Współczynnik zaniku wyniósł 0,85. Wystąpiły cztery cykle aktywacji rozprzestrzeniania się. Odcień i nasycenie koloru wskazują różne wartości aktywacji.

Zobacz też

Uwagi

  1. ^ Karalyn Patterson, Peter J. Nestor i Timothy T. Rogers: „Gdzie wiesz, co wiesz? Reprezentacja wiedzy semantycznej w ludzkim mózgu” [1]
  2. ^ B Collins Allan M .; Loftus, Elżbieta F. (1975). „Teoria rozprzestrzeniania aktywacji przetwarzania semantycznego”. Przegląd psychologiczny . 82 (6): 407–428. doi : 10.1037/0033-295X.82.6.407 . ISSN  0033-295X .
  3. ^ B Anderson, John R. (1983). „Rozprzestrzeniająca się teoria aktywacji pamięci”. Journal of Verbal Learning i Verbal Behavior . 22 (3): 261–295. doi : 10.1016/S0022-5371(83)90201-3 . ISSN  0022-5371 .
  4. ^ S. Preece, Rozprzestrzeniający się model sieci aktywacyjnej do wyszukiwania informacji. Praca doktorska, University of Illinois, Urbana-Champaign, 1981.
  5. ^ Fabio Crestani. „Zastosowanie technik aktywacji rozprzestrzeniania w wyszukiwaniu informacji”. Przegląd sztucznej inteligencji , 1997
  6. ^ Chwilla, Dorothee J.; Hagoort, Piotr; Brown, CM, „Mechanizm leżący u podstaw poprzedzania wstecznego w leksykalnym zadaniu decyzyjnym: rozprzestrzenianie aktywacji kontra dopasowanie semantyczne”, The Quarterly Journal of Experimental Psychology, 1998, 51A (3), 531-560 [2]
  7. ^ Wzmocnienie wyszukiwania według słów kluczowych przedmiotów z rozprzestrzenieniem aktywacji Aswath, D.; Ahmed, ST; Dapos;cunha, J.; Davulcu, H., Web Intelligence, 2005. Postępowanie. Międzynarodowa Konferencja IEEE/WIC/ACM 2005 na temat objętości, wydanie, 19-22 września 2005 r. Strony: 704 - 707

Bibliografia

  • Nils J. Nilsson. „Sztuczna inteligencja: nowa synteza”. Morgan Kaufmann Publishers, Inc., San Francisco, Kalifornia, 1998, strony 121-122
  • Rodriguez, MA, „Grammar-Based Random Walkers in Semantic Networks” , Systemy oparte na wiedzy , 21(7), 727-739, doi : 10.1016/j.knosys.2008.03.030 , 2008.
  • Karalyn Patterson, Peter J. Nestor i Timothy T. Rogers „Gdzie wiesz, co wiesz? Reprezentacja wiedzy semantycznej w ludzkim mózgu”, Nature Reviews Neuroscience 8, 976-987 (grudzień 2007)