| 摘要 | 第6-8页 |
| abstract | 第8-11页 |
| 第一章 绪论 | 第14-29页 |
| 1.1 课题来源 | 第14页 |
| 1.2 课题研究的目的和意义 | 第14-17页 |
| 1.3 国内外研究概况 | 第17-24页 |
| 1.3.1 国外研究概况 | 第17-22页 |
| 1.3.2 国内研究概况 | 第22-24页 |
| 1.4 论文的主要研究内容 | 第24-29页 |
| 第二章 事件本体构建背景知识研究概述 | 第29-46页 |
| 2.1 引言 | 第29-30页 |
| 2.2 事件及事件本体 | 第30-38页 |
| 2.2.1 基于事件的知识表示 | 第30-32页 |
| 2.2.2 事件及相关定义 | 第32-33页 |
| 2.2.3 事件及要素的范式描述 | 第33-36页 |
| 2.2.4 事件本体定义及结构 | 第36-38页 |
| 2.3 形式概念分析 | 第38-42页 |
| 2.3.1 研究现状 | 第38-40页 |
| 2.3.2 形式背景与概念格 | 第40-42页 |
| 2.4 形式化方法及描述逻辑 | 第42-44页 |
| 2.4.1 形式化方法 | 第42页 |
| 2.4.2 描述逻辑 | 第42-44页 |
| 2.5 本章小结 | 第44-46页 |
| 第三章 基于深度学习的事件识别 | 第46-72页 |
| 3.1 引言 | 第46-48页 |
| 3.2 相关工作 | 第48-49页 |
| 3.3 深度学习及深度信念网络 | 第49-55页 |
| 3.3.1 深度学习的简述 | 第49-50页 |
| 3.3.2 受限玻尔兹曼机(RBM) | 第50-53页 |
| 3.3.3 混合监督的深度信念网络 | 第53页 |
| 3.3.4 动态监督的深度信念网络 | 第53-54页 |
| 3.3.5 三种深度信念网络的算法复杂度分析 | 第54-55页 |
| 3.4 基于深度学习的事件识别模型 | 第55-62页 |
| 3.4.1 语料选择 | 第56-57页 |
| 3.4.2 LTP分词系统 | 第57页 |
| 3.4.3 预处理系统 | 第57-58页 |
| 3.4.4 深度分类器 | 第58页 |
| 3.4.5 特征抽象 | 第58-60页 |
| 3.4.6 特征表示与样例生成 | 第60-62页 |
| 3.5 试验结果 | 第62-70页 |
| 3.5.1 动态监督深度分类器阈值测试分析 | 第62-63页 |
| 3.5.2 无监督深度分类器的CEERM识别效果 | 第63-65页 |
| 3.5.3 三种监督类型深度分类器的CEERM识别效果对比 | 第65-68页 |
| 3.5.4 综合对比分析 | 第68-70页 |
| 3.6 本章小结 | 第70-72页 |
| 第四章 形式事件分析 | 第72-101页 |
| 4.1 引言 | 第72-73页 |
| 4.2 异构形式概念分析研究现状 | 第73-75页 |
| 4.3 形式事件背景分析 | 第75-81页 |
| 4.3.1 研究背景 | 第75-76页 |
| 4.3.2 形式概念分析的扩展 | 第76-79页 |
| 4.3.3 形式事件背景 | 第79-81页 |
| 4.4 渐进式事件格生成算法 | 第81-99页 |
| 4.4.1 基本原理与算法 | 第82-88页 |
| 4.4.2 实例研究 | 第88-94页 |
| 4.4.3 实验研究与分析 | 第94-99页 |
| 4.5 本章小结 | 第99-101页 |
| 第五章 基于事件本体的事件分类关系推理 | 第101-137页 |
| 5.1 引言 | 第101-102页 |
| 5.2 事件推理研究现状 | 第102-103页 |
| 5.3 事件本体逻辑描述语言(EO-SROIQ) | 第103-106页 |
| 5.4 扩展Tableau算法(E-Tableau) | 第106-109页 |
| 5.5 事件分类关系推理 | 第109-128页 |
| 5.5.1 基于EO-SROIQ的交通事故事件本体 | 第109-119页 |
| 5.5.2 分类关系推理算法 | 第119-123页 |
| 5.5.3 分类关系推理实例 | 第123-128页 |
| 5.6 事件分类关系算法实现 | 第128-135页 |
| 5.6.1 事件本体知识的面向对象语言映射 | 第128-132页 |
| 5.6.2 E-Tableau算法java实现 | 第132-134页 |
| 5.6.3 事件分类推理的实现 | 第134-135页 |
| 5.7 本章小结 | 第135-137页 |
| 第六章 结论与展望 | 第137-141页 |
| 6.1 结论 | 第137-139页 |
| 6.2 展望 | 第139-141页 |
| 参考文献 | 第141-151页 |
| 附录一 混合监督深度信念网络算法 | 第151-152页 |
| 附录二 动态监督深度信念网络算法 | 第152-153页 |
| 附录三 渐进式事件格生成算法 | 第153-154页 |
| 附录四 E-Tableau算法Java实现 | 第154-155页 |
| 附录五 事件实例检测算法Java实现 | 第155-156页 |
| 作者在攻读博士学位期间公开发表的论文 | 第156-157页 |
| 作者在攻读博士学位期间申请的专利 | 第157-158页 |
| 作者在攻读博士学位期间所作的项目 | 第158-159页 |
| 作者在攻读博士学位期间获得的奖励 | 第159-160页 |
| 致谢 | 第160-162页 |
