基于知识图谱的用户意图理解研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文的主要工作 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 相关技术研究 | 第16-31页 |
| 2.1 知识图谱相关研究 | 第16-18页 |
| 2.1.1 知识图谱概念 | 第16页 |
| 2.1.2 知识图谱构建方法 | 第16-18页 |
| 2.1.3 知识图谱存储与查询 | 第18页 |
| 2.2 问题关键短语抽取方法研究 | 第18-22页 |
| 2.2.1 基于字典匹配的关键短语抽取方法 | 第18-20页 |
| 2.2.2 基于无监督的关键短语抽取方法 | 第20-21页 |
| 2.2.3 基于监督学习的关键短语抽取方法 | 第21-22页 |
| 2.3 问题语义解析方法研究 | 第22-29页 |
| 2.3.1 基于模板匹配的语义解析方法 | 第23-25页 |
| 2.3.2 基于近似度计算的语义解析方法 | 第25-27页 |
| 2.3.3 基于机器学习的语义解析方法 | 第27-28页 |
| 2.3.4 基于深度学习的语义解析方法 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于字典匹配与上下文的关键短语抽取方法 | 第31-41页 |
| 3.1 短语字典构造与候选关键短语提取 | 第31-33页 |
| 3.2 短语上下文特征提取 | 第33-34页 |
| 3.3 关键短语抽取训练模型 | 第34-37页 |
| 3.3.1 逻辑回归机器学习模型 | 第35-36页 |
| 3.3.2 支持向量机机器学习模型 | 第36-37页 |
| 3.4 实验结果与分析 | 第37-40页 |
| 3.4.1 实验数据集 | 第37-38页 |
| 3.4.2 评价标准 | 第38-39页 |
| 3.4.3 实验结果与分析 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 结合信息检索与深度学习的语义解析方法 | 第41-54页 |
| 4.1 基于短语实体字典的候选实体属性提取方法 | 第41-42页 |
| 4.2 基于NBSVM的候选实体属性排序方法 | 第42-44页 |
| 4.2.1 NBSVM算法 | 第43页 |
| 4.2.2 候选实体属性排序中文本特征生成方法 | 第43-44页 |
| 4.3 基于CNN的候选实体属性排序方法 | 第44-48页 |
| 4.3.1 CNN基本结构 | 第45-46页 |
| 4.3.2 Dropout | 第46页 |
| 4.3.3 基于CNN的候选实体属性排序模型结构 | 第46-48页 |
| 4.4 综合各类排序特征的实体属性重排序方法 | 第48-49页 |
| 4.5 实验结果与分析 | 第49-52页 |
| 4.5.1 实验数据集 | 第49页 |
| 4.5.2 评价标准 | 第49-50页 |
| 4.5.3 实验结果与分析 | 第50-52页 |
| 4.6 本章小结 | 第52-54页 |
| 第五章 总结与展望 | 第54-57页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者在学期间取得的学术成果 | 第62页 |
