| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景 | 第13-14页 |
| 1.2 研究现状及问题分析 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.4 论文结构 | 第16-19页 |
| 第二章 国内外相关工作 | 第19-25页 |
| 2.1 基于不同平台的本体推理方法 | 第19-21页 |
| 2.2 大规模本体推理中的问题及解决方法 | 第21-22页 |
| 2.3 本文与现有工作的不同点 | 第22-25页 |
| 第三章 背景知识 | 第25-35页 |
| 3.1 Datalog | 第25-26页 |
| 3.2 本体语言 | 第26-29页 |
| 3.2.1 DHL本体 | 第27-28页 |
| 3.2.2 DL-Lite本体 | 第28页 |
| 3.2.3 OWL EL本体 | 第28-29页 |
| 3.3 基于datalog的本体推理 | 第29-31页 |
| 3.4 NC复杂度与大规模易处理性 | 第31-32页 |
| 3.4.1 NC复杂度 | 第31-32页 |
| 3.4.2 可并行性与大规模易处理性 | 第32页 |
| 3.5 本章小结 | 第32-35页 |
| 第四章 Datalog的大规模易处理类 | 第35-45页 |
| 4.1 大规模易处理类与推导图 | 第35-37页 |
| 4.2 构造推导图的基本并行算法(A_(bsc)) | 第37-39页 |
| 4.3 利用单源推导路径的A_(bsc)优化算法(A_(opt)) | 第39-43页 |
| 4.4 本章小结 | 第43-45页 |
| 第五章 物化任务的大规模处理方法 | 第45-65页 |
| 5.1 利用算法A_(opt)优完成DL-Lite本体的物化任务 | 第45-47页 |
| 5.2 DHL物化任务的大规模易处理性 | 第47-52页 |
| 5.3 DHL(o)物化任务的大规模易处理性 | 第52-58页 |
| 5.4 RDFS本体推理的大规模易处理性 | 第58-59页 |
| 5.5 进一步优化DHL(o)物化任务并行算法 | 第59-64页 |
| 5.5.1 降低空间开销 | 第59-60页 |
| 5.5.2 优化算法A_(mat) | 第60-64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 分类任务的大规模处理方法 | 第65-85页 |
| 6.1 并行化分类任务 | 第65-67页 |
| 6.2 εL~+分类任务的大规模易处理性 | 第67-78页 |
| 6.2.1 分类任务规约为物化任务 | 第67-74页 |
| 6.2.2 分类任务的大规模易处理性 | 第74-78页 |
| 6.3 优化的εL~+分类算法 | 第78-83页 |
| 6.4 本章小结 | 第83-85页 |
| 第七章 实验与分析 | 第85-97页 |
| 7.1 验证约束条件在真实数据中的适用性 | 第85-87页 |
| 7.1.1 基准数据 | 第85-86页 |
| 7.1.2 数据集YAGO | 第86页 |
| 7.1.3 OWL EL本体 | 第86-87页 |
| 7.1.4 其它真实本体数据 | 第87页 |
| 7.1.5 简单性约束与自由性约束的使用 | 第87页 |
| 7.2 算法A_(mat)的评估实验 | 第87-89页 |
| 7.2.1 实验配置 | 第88页 |
| 7.2.2 实验结果及分析 | 第88-89页 |
| 7.3 算法A_(cls)的评估实验 | 第89-92页 |
| 7.3.1 实验数据及实验结果 | 第89-91页 |
| 7.3.2 实验数据分析 | 第91-92页 |
| 7.4 基于推导图深度的实验及分析 | 第92-96页 |
| 7.4.1 真实本体的推导图深度 | 第92-93页 |
| 7.4.2 构造具有不同推导图深度的本体 | 第93-94页 |
| 7.4.3 实验结果及分析 | 第94-96页 |
| 7.5 本章小结 | 第96-97页 |
| 第八章 总结与展望 | 第97-101页 |
| 8.1 论文总结 | 第97-99页 |
| 8.2 未来工作展望 | 第99-101页 |
| 参考文献 | 第101-109页 |
| 作者简介 | 第109-111页 |
| 致谢 | 第111-112页 |
