| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-24页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-20页 |
| 1.2.1 知识图谱国内外研究现状 | 第11-14页 |
| 1.2.2 知识表示学习国内外研究现状 | 第14-20页 |
| 1.3 论文主要内容与技术方案 | 第20-22页 |
| 1.4 论文组织结构 | 第22-24页 |
| 第2章 基于可信度向量的知识图谱表示学习 | 第24-44页 |
| 2.1 知识图谱表示学习在复杂关系下的挑战 | 第24-27页 |
| 2.2 基于可信度向量的表示学习 | 第27-31页 |
| 2.2.1 基于可信度向量的平移模型 | 第27-30页 |
| 2.2.2 模型复杂性分析 | 第30-31页 |
| 2.3 模型训练 | 第31-34页 |
| 2.3.1 训练方法 | 第31页 |
| 2.3.2 实验环境 | 第31-32页 |
| 2.3.3 模型评估 | 第32-33页 |
| 2.3.4 模型优化 | 第33-34页 |
| 2.4 知识图谱补全实验对比分析 | 第34-43页 |
| 2.4.1 数据集准备 | 第34-36页 |
| 2.4.2 超参设置 | 第36-40页 |
| 2.4.3 实验结果对比分析 | 第40-43页 |
| 2.5 本章小结 | 第43-44页 |
| 第3章 融合文本信息的知识图谱表示学习 | 第44-57页 |
| 3.1 多种数据源信息 | 第44-45页 |
| 3.2 基于可信度向量和文本信息的知识图谱表示学习 | 第45-46页 |
| 3.3 基于卷积神经网络的文本表示 | 第46-50页 |
| 3.4 模型训练 | 第50-51页 |
| 3.4.1 模型初始化 | 第50-51页 |
| 3.4.2 模型优化 | 第51页 |
| 3.5 实体预测实验对比分析 | 第51-56页 |
| 3.5.1 数据集 | 第51页 |
| 3.5.2 超参设置 | 第51-55页 |
| 3.5.3 实验结果对比分析 | 第55-56页 |
| 3.6 本章小结 | 第56-57页 |
| 第4章 总结与展望 | 第57-59页 |
| 4.1 总结 | 第57-58页 |
| 4.2 展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-65页 |
| 附录 A攻读硕士学位期间的研究成果 | 第65页 |