| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 缩写、符号清单、术语表 | 第14-16页 |
| 1 绪论 | 第16-25页 |
| 1.1 研究背景 | 第16-20页 |
| 1.1.1 知识图谱的起源 | 第16-18页 |
| 1.1.2 知识图谱的演化 | 第18-20页 |
| 1.1.3 大规模知识图谱语义推理面临的挑战 | 第20页 |
| 1.2 研究目的和意义 | 第20-21页 |
| 1.3 研究内容与主要贡献 | 第21-23页 |
| 1.4 本文组织结构 | 第23-25页 |
| 2 相关理论及研究现状 | 第25-50页 |
| 2.1 知识图谱概述 | 第25-35页 |
| 2.1.1 知识图谱概念定义 | 第25-27页 |
| 2.1.2 典型知识图谱 | 第27-30页 |
| 2.1.3 知识图谱的主要应用 | 第30-32页 |
| 2.1.4 知识图谱的主要技术简介 | 第32-35页 |
| 2.2 知识表示与语义推理 | 第35-45页 |
| 2.2.1 知识表示 | 第35-42页 |
| 2.2.2 语义推理 | 第42-45页 |
| 2.3 弹性计算框架 | 第45-47页 |
| 2.3.1 基于MapReduce的分布式计算模型 | 第45-46页 |
| 2.3.2 基于Spark的分布式内存计算模型 | 第46页 |
| 2.3.3 基于Spark Streaming的分布式实时计算模型 | 第46-47页 |
| 2.4 知识图谱弹性语义推理研究现状 | 第47-49页 |
| 2.4.1 大规模知识图谱关联推理 | 第47-48页 |
| 2.4.2 大规模知识图谱语义查询方法 | 第48-49页 |
| 2.4.3 大规模知识图谱流式推理 | 第49页 |
| 2.5 本章小结 | 第49-50页 |
| 3 基于OWL属性链的弹性语义关联推理研究 | 第50-65页 |
| 3.1 概述 | 第50页 |
| 3.2 问题定义 | 第50-51页 |
| 3.3 模型与方法 | 第51-60页 |
| 3.3.1 基于OWL属性链的建模与表达 | 第51-54页 |
| 3.3.2 基于MapReduce的OWL属性链弹性推理算法 | 第54-58页 |
| 3.3.3 基于MapReduce的OWL属性链网络弹性推理算法 | 第58-60页 |
| 3.4 实验分析 | 第60-64页 |
| 3.4.1 实验数据和实验设置 | 第60页 |
| 3.4.2 实验结果分析 | 第60-64页 |
| 3.5 本章小结 | 第64-65页 |
| 4 基于分布式内存的弹性语义查询方法研究 | 第65-79页 |
| 4.1 概述 | 第65-66页 |
| 4.2 问题定义 | 第66-67页 |
| 4.3 模型与方法 | 第67-75页 |
| 4.3.1 系统框架 | 第67-68页 |
| 4.3.2 分层子图索引 | 第68-69页 |
| 4.3.3 基于分布式内存的SPARQL迭代查询翻译 | 第69-71页 |
| 4.3.4 查询COST分析 | 第71-72页 |
| 4.3.5 查询优化策略 | 第72-75页 |
| 4.4 实验分析 | 第75-78页 |
| 4.4.1 实验数据和实验设置 | 第75页 |
| 4.4.2 实验结果分析 | 第75-78页 |
| 4.5 本章小结 | 第78-79页 |
| 5 基于规则的弹性语义流推理方法研究及物联网应用 | 第79-96页 |
| 5.1 概述 | 第79页 |
| 5.2 问题定义 | 第79-80页 |
| 5.3 模型与方法 | 第80-86页 |
| 5.3.1 系统框架设计 | 第80-81页 |
| 5.3.2 基于Spark Streaming的流式知识图谱聚合方法 | 第81-82页 |
| 5.3.3 基于增强SWRL规则的流式推理表达方法 | 第82-84页 |
| 5.3.4 基于Spark Streaming的规则翻译方法 | 第84-86页 |
| 5.4 基于规则的弹性语义流推理方法的物联网应用 | 第86-88页 |
| 5.4.1 应用背景 | 第86页 |
| 5.4.2 语义建模 | 第86-87页 |
| 5.4.3 实时增强的SWRL推理规则表示 | 第87-88页 |
| 5.5 实验分析 | 第88-95页 |
| 5.5.1 实验数据与实验设置 | 第88-89页 |
| 5.5.2 功能测试 | 第89-92页 |
| 5.5.3 吞吐量及可扩展性测试 | 第92-95页 |
| 5.6 本章小结 | 第95-96页 |
| 6 BioTCM Cloud:中西医知识图谱关联发现系统 | 第96-103页 |
| 6.1 背景 | 第96-97页 |
| 6.2 BioTCM Cloud本体概念模型 | 第97页 |
| 6.3 数据采集与图谱构建 | 第97-99页 |
| 6.4 弹性关联推理引擎 | 第99-100页 |
| 6.5 功能介绍 | 第100页 |
| 6.6 结果呈现 | 第100-102页 |
| 6.7 本章小结 | 第102-103页 |
| 7 SparkSRE:开源知识图谱规则推理系统 | 第103-117页 |
| 7.1 背景 | 第103页 |
| 7.2 功能介绍 | 第103-105页 |
| 7.3 系统架构 | 第105-106页 |
| 7.4 实施细则 | 第106-112页 |
| 7.4.1 RDFS规则推理 | 第108-110页 |
| 7.4.2 OWL规则推理 | 第110-112页 |
| 7.5 实验分析 | 第112-116页 |
| 7.5.1 实验数据与实验设置 | 第112-114页 |
| 7.5.2 推理效率实验 | 第114页 |
| 7.5.3 弹性可扩展性实验 | 第114-116页 |
| 7.5.4 通用规则推理功能测试 | 第116页 |
| 7.6 本章小结 | 第116-117页 |
| 8 总结和展望 | 第117-122页 |
| 8.1 研究内容总结 | 第117-119页 |
| 8.2 缺点与不足 | 第119-120页 |
| 8.3 大规模知识图谱语义推理的未来与下一步工作 | 第120-122页 |
| 9 附录(第七章开源推理引擎部分推理算法) | 第122-129页 |
| 参考文献 | 第129-139页 |
| 攻读博士学位期间主要的研究成果 | 第139-142页 |
| 致谢 | 第142页 |
