知识表示与知识表示学习在服务机器人中的应用研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 引言 | 第12-13页 |
| 1.2 智能服务机器人认知技术 | 第13-14页 |
| 1.3 知识图谱与知识表示学习 | 第14-15页 |
| 1.4 研究内容与论文结构 | 第15-18页 |
| 第2章 知识图谱与知识表示学习 | 第18-26页 |
| 2.1 知识图谱 | 第18-22页 |
| 2.1.1 常用通用知识图谱 | 第19页 |
| 2.1.2 知识图谱应用 | 第19-22页 |
| 2.2 知识表示学习 | 第22-26页 |
| 第3章 基于知识图谱的服务机器人应用 | 第26-42页 |
| 3.1 知识表示与推理在服务机器人中的应用 | 第26-29页 |
| 3.1.1 常识知识资源 | 第26-28页 |
| 3.1.2 服务机器人系统中的知识表示与推理 | 第28-29页 |
| 3.2 可佳服务机器人中的知识表示与推理 | 第29-33页 |
| 3.2.1 可佳服务机器人 | 第29-30页 |
| 3.2.2 可佳中的知识表示与任务规划 | 第30-32页 |
| 3.2.3 基于知识图谱的世界模型 | 第32-33页 |
| 3.3 佳佳导游服务中的知识图谱及任务规划 | 第33-40页 |
| 3.3.1 佳佳服务机器人 | 第33页 |
| 3.3.2 安徽旅游知识图谱 | 第33-35页 |
| 3.3.3 佳佳导游对话系统架构 | 第35-37页 |
| 3.3.4 基于知识图谱的旅游线路规划 | 第37-39页 |
| 3.3.5 实际测试与结果 | 第39-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于生成对抗网络的知识表示学习框架 | 第42-58页 |
| 4.1 研究背景与相关工作 | 第42-47页 |
| 4.1.1 知识表示学习 | 第42-43页 |
| 4.1.2 离散数据生成模型 | 第43-46页 |
| 4.1.3 用于知识表示学习的生成模型 | 第46-47页 |
| 4.2 用于知识表示学习的对抗式负样本生成 | 第47-51页 |
| 4.2.1 符号约定 | 第47页 |
| 4.2.2 目标模型 | 第47-49页 |
| 4.2.3 对抗式负样本生成器 | 第49-50页 |
| 4.2.4 训练框架 | 第50-51页 |
| 4.3 实验与结果 | 第51-56页 |
| 4.3.1 数据集 | 第51-52页 |
| 4.3.2 实现细节 | 第52页 |
| 4.3.3 链接预测 | 第52-54页 |
| 4.3.4 三元组分类 | 第54-55页 |
| 4.3.5 负样本生成示例 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 总结与展望 | 第58-62页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 未来工作 | 第59-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68-70页 |
| 在读期间发表的学术论文与取得的研究成果 | 第70页 |
