基于机器学习模型与众包的知识融合方法研究
| 中文摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第1章 绪论 | 第12-28页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 知识融合方法研究现状 | 第13-23页 |
| 1.3 本文的研究内容及贡献 | 第23-26页 |
| 1.4 本文的组织结构 | 第26-28页 |
| 第2章 基于Markov逻辑网的本体映射 | 第28-48页 |
| 2.1 引言 | 第28-29页 |
| 2.2 预备知识 | 第29-31页 |
| 2.2.1 本体与本体映射 | 第29-30页 |
| 2.2.2 Markov逻辑网 | 第30-31页 |
| 2.3 基于Markov逻辑网的本体映射模型 | 第31-40页 |
| 2.3.1 本体表示 | 第32-35页 |
| 2.3.2 映射规则 | 第35-38页 |
| 2.3.3 映射推理 | 第38-40页 |
| 2.3.4 交互式阈值选择 | 第40页 |
| 2.4 实验 | 第40-47页 |
| 2.4.1 实验设置 | 第41-42页 |
| 2.4.2 评价方法 | 第42页 |
| 2.4.3 实验结果与分析 | 第42-47页 |
| 2.5 本章小结 | 第47-48页 |
| 第3章 联合概率模型与众包的表格映射 | 第48-71页 |
| 3.1 引言 | 第48-50页 |
| 3.2 表格映射框架 | 第50-52页 |
| 3.2.1 相关概念定义 | 第50-51页 |
| 3.2.2 方法概述 | 第51-52页 |
| 3.3 语义和数据标注 | 第52-60页 |
| 3.3.1 候选语义生成 | 第52-54页 |
| 3.3.2 基于效用的众包列选择 | 第54-57页 |
| 3.3.3 众包任务生成 | 第57-58页 |
| 3.3.4 统一的语义和数据标注算法 | 第58-60页 |
| 3.4 表格映射与数据修正 | 第60-63页 |
| 3.4.1 表格映射 | 第60页 |
| 3.4.2 数据修正 | 第60-63页 |
| 3.5 实验 | 第63-70页 |
| 3.5.1 实验设置 | 第63-65页 |
| 3.5.2 实验结果与分析 | 第65-70页 |
| 3.6 本章小结 | 第70-71页 |
| 第4章 混合图模型与众包的知识精炼 | 第71-95页 |
| 4.1 引言 | 第71-72页 |
| 4.2 相关概念定义 | 第72-74页 |
| 4.2.1 知识库 | 第72-73页 |
| 4.2.2 众包 | 第73-74页 |
| 4.3 基于众包的知识精炼方法 | 第74-85页 |
| 4.3.1 语义约束 | 第74-77页 |
| 4.3.2 基于排序的众包任务选择 | 第77-78页 |
| 4.3.3 基于图的众包任务选择 | 第78-85页 |
| 4.4 容错技术 | 第85-86页 |
| 4.5 实验 | 第86-94页 |
| 4.5.1 实验设置 | 第86-88页 |
| 4.5.2 实验结果与分析 | 第88-94页 |
| 4.6 本章小结 | 第94-95页 |
| 第5章 基于嵌入子空间的知识表示与关系推理 | 第95-110页 |
| 5.1 引言 | 第95-97页 |
| 5.2 相关工作 | 第97-99页 |
| 5.2.1 基于结构的知识表示学习模型 | 第97-98页 |
| 5.2.2 多源信息融合知识表示学习模型 | 第98-99页 |
| 5.3 基于子空间投影的知识表示学习 | 第99-105页 |
| 5.3.1 无监督实体向量估计 | 第99-100页 |
| 5.3.2 嵌入子空间 | 第100-101页 |
| 5.3.3 子空间适应矩阵与知识表示联合学习模型 | 第101-105页 |
| 5.4 实验 | 第105-109页 |
| 5.4.1 实验设置 | 第105-106页 |
| 5.4.2 实验结果与分析 | 第106-109页 |
| 5.5 本章小结 | 第109-110页 |
| 第6章 总结与展望 | 第110-113页 |
| 6.1 本文总结 | 第110-112页 |
| 6.2 下一步的工作 | 第112-113页 |
| 参考文献 | 第113-122页 |
| 攻读博士学位期间相关的科研情况 | 第122-123页 |
| 攻读博士学位期间发表的相关论文 | 第123-124页 |
| 致谢 | 第124-125页 |
