| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-13页 |
| 1.1.2 研究意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-19页 |
| 1.2.1 单一关系推理 | 第14-16页 |
| 1.2.2 多元关系推理 | 第16-19页 |
| 1.3 本文的研究内容 | 第19-20页 |
| 1.4 本文的内容组织安排 | 第20-21页 |
| 第二章 相关技术背景及算法 | 第21-34页 |
| 2.1 关系推理 | 第21页 |
| 2.2 张量分解 | 第21-24页 |
| 2.2.1 CANDECOMP/PARA FAC (CP)分解模型 | 第22-23页 |
| 2.2.2 Tucker分解模型 | 第23-24页 |
| 2.3 相似性度量 | 第24-26页 |
| 2.3.1 欧氏距离（Euclidean Distance） | 第24页 |
| 2.3.2 夹角余弦（Cosine） | 第24-25页 |
| 2.3.3 杰卡德相似系数（Jaccard similarity coefficient） | 第25-26页 |
| 2.4 Logistic回归 | 第26-29页 |
| 2.5 学习规则集合 | 第29-30页 |
| 2.6 图论和矩阵理论 | 第30-33页 |
| 2.6.1 图的定义 | 第30-32页 |
| 2.6.2 图的矩阵表示 | 第32页 |
| 2.6.3 顶点间的路径 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第三章 基于图的关系推理算法研究 | 第34-72页 |
| 3.1 问题描述与定义 | 第34-37页 |
| 3.1.1 研究问题 | 第34-35页 |
| 3.1.2 符号表示 | 第35页 |
| 3.1.3 关系划分 | 第35-37页 |
| 3.2 基于图的关系推理算法 | 第37-58页 |
| 3.2.1 数据预处理 | 第39-42页 |
| 3.2.2 全局关系推理算法 | 第42-52页 |
| 3.2.3 局部关系推理算法 | 第52-58页 |
| 3.2.4 推理结果融合算法 | 第58页 |
| 3.3 算法计算复杂度 | 第58-60页 |
| 3.4 算法实现 | 第60-71页 |
| 3.4.1 开发环境 | 第60-61页 |
| 3.4.2 知识库构建 | 第61-62页 |
| 3.4.3 推理模型学习 | 第62-68页 |
| 3.4.4 关系推理 | 第68-71页 |
| 3.5 本章小结 | 第71-72页 |
| 第四章 实验结果与分析 | 第72-92页 |
| 4.1 实验数据集 | 第72-74页 |
| 4.1.1 WN18数据集 | 第72页 |
| 4.1.2 FB15k和FB40k数据集 | 第72-73页 |
| 4.1.3 负样本的构造 | 第73-74页 |
| 4.2 评价指标 | 第74-76页 |
| 4.3 比较工作 | 第76页 |
| 4.4 实验结果与分析 | 第76-91页 |
| 4.4.1 合并同义关系有效性分析 | 第77-78页 |
| 4.4.2 全局推理算法有效性分析 | 第78-79页 |
| 4.4.3 局部推理算法有效性分析 | 第79-81页 |
| 4.4.4 基于规则vs.基于潜在因子 | 第81-84页 |
| 4.4.5 四种关系上推理性能分析 | 第84-91页 |
| 4.5 本章小结 | 第91-92页 |
| 第五章 结束语 | 第92-94页 |
| 5.1 全文总结 | 第92-93页 |
| 5.2 不足与下一步展望 | 第93-94页 |
| 致谢 | 第94-95页 |
| 参考文献 | 第95-100页 |
| 攻读硕士期间取得的研究成果 | 第100-101页 |
