| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 本文的主要工作 | 第11页 |
| 1.3 本文组织结构以及章节安排 | 第11-13页 |
| 第二章 相关技术研究 | 第13-23页 |
| 2.1 关系图谱概述 | 第13-14页 |
| 2.2 基于文本的关系抽取 | 第14-15页 |
| 2.3 文本相似度计算 | 第15-16页 |
| 2.4 数据爬取技术研究 | 第16-18页 |
| 2.5 文本分词技术 | 第18页 |
| 2.6 文本向量技术研究 | 第18-22页 |
| 2.6.1 词袋模型 | 第18-19页 |
| 2.6.2 基于LDA主题模型的文本向量 | 第19-20页 |
| 2.6.3 词向量技术研究 | 第20-21页 |
| 2.6.4 神经语言模型获取distributed representations词向量 | 第21-22页 |
| 2.6.5 段落向量技术研究 | 第22页 |
| 2.7 本章小结 | 第22-23页 |
| 第三章 关系图谱系统的设计与实现 | 第23-42页 |
| 3.1 数据源调研与分析 | 第23-25页 |
| 3.2 数据爬取设计与实现 | 第25-30页 |
| 3.2.1 数据爬取概述 | 第25-26页 |
| 3.2.2 电影种子URL抓取 | 第26-27页 |
| 3.2.3 影评信息抓取 | 第27-28页 |
| 3.2.4 高效应对目标网站的反爬虫策略 | 第28-29页 |
| 3.2.5 数据更新 | 第29-30页 |
| 3.3 数据预处理 | 第30-33页 |
| 3.3.1 文本分词构建词汇表 | 第30-32页 |
| 3.3.2 构建词汇表哈夫曼树 | 第32-33页 |
| 3.4 词向量计算的设计与实现 | 第33-36页 |
| 3.4.1 word2vec模型和训练方法 | 第33-35页 |
| 3.4.2 基于word2vec模型的词向量融合 | 第35-36页 |
| 3.4.3 词向量计算的相关参数和边界问题 | 第36页 |
| 3.5 段落向量计算的设计与实现 | 第36-40页 |
| 3.5.1 词向量叠加生成段落向量 | 第38页 |
| 3.5.2 句向量的分布记忆模型生成段落向量以及改进 | 第38-40页 |
| 3.6 文本关联计算设计与实现 | 第40-41页 |
| 3.7 本章小结 | 第41-42页 |
| 第四章 实验分析 | 第42-53页 |
| 4.1 实验环境 | 第42-44页 |
| 4.1.1 实验系统环境 | 第42-43页 |
| 4.1.2 实验软件环境 | 第43-44页 |
| 4.2 数据爬取分析 | 第44-45页 |
| 4.3 词向量计算分析 | 第45-46页 |
| 4.4 段落向量计算计算分析 | 第46-47页 |
| 4.5 关系图谱计算分析 | 第47-52页 |
| 4.5.1 标记数据集的获取 | 第47-48页 |
| 4.5.2 不同模型的统计数据比对 | 第48-50页 |
| 4.5.3 关系图谱结果展示 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本文工作总结 | 第53-54页 |
| 5.2 未来研究工作展望 | 第54-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 作者攻读学位期间发表的学术论文和科研情况 | 第58页 |