| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-22页 |
| 1.1 选题背景及现实意义 | 第10-11页 |
| 1.2 知识图谱相关研究综述 | 第11-18页 |
| 1.2.1 知识图谱类型 | 第11-12页 |
| 1.2.2 知识图谱构建方法 | 第12-14页 |
| 1.2.3 知识图谱构建流程 | 第14-17页 |
| 1.2.4 知识图谱在商业领域的应用 | 第17-18页 |
| 1.3 论文的基本内容 | 第18-19页 |
| 1.4 论文的创新点 | 第19-20页 |
| 1.5 论文的基本框架 | 第20-22页 |
| 2 相关理论介绍 | 第22-33页 |
| 2.1 深度学习理论 | 第22-29页 |
| 2.1.1 浅层学习与深度学习 | 第22-23页 |
| 2.1.2 受限玻尔兹曼机 | 第23-26页 |
| 2.1.3 反向传播网络 | 第26-28页 |
| 2.1.4 深度置信网络 | 第28-29页 |
| 2.2 图形数据库理论与方法 | 第29-32页 |
| 2.2.1 图形数据库概念 | 第29-30页 |
| 2.2.2 Neo4j图形数据库 | 第30-32页 |
| 2.3 本章小结 | 第32-33页 |
| 3 基于深度学习算法的商业领域知识图谱构建(BKG-DL)框架 | 第33-44页 |
| 3.1 BKG-DL框架的流程 | 第33-35页 |
| 3.2 基于深度置信网络的中文知识实体识别 | 第35-38页 |
| 3.2.1 知识实体识别 | 第35-36页 |
| 3.2.2 特征选择 | 第36-38页 |
| 3.3 基于深度置信网络的中文实体关系识别 | 第38-42页 |
| 3.3.1 实体关系识别 | 第38-40页 |
| 3.3.2 特征选择 | 第40-42页 |
| 3.4 知识图谱的绘制 | 第42-43页 |
| 3.4.1 知识图谱绘制流程 | 第42-43页 |
| 3.4.2 知识图谱绘制方法 | 第43页 |
| 3.5 本章小结 | 第43-44页 |
| 4 移动互联网领域在线新闻的知识图谱构建实证 | 第44-58页 |
| 4.1 数据来源 | 第45页 |
| 4.2 分词 | 第45-47页 |
| 4.2.1 构造分词词典 | 第46-47页 |
| 4.2.2 基于词典进行分词 | 第47页 |
| 4.3 知识实体识别 | 第47-51页 |
| 4.3.1 数据预处理 | 第48-49页 |
| 4.3.2 特征选择 | 第49-50页 |
| 4.3.3 实验与分析 | 第50-51页 |
| 4.4 实体关系识别 | 第51-54页 |
| 4.4.1 数据预处理 | 第51-52页 |
| 4.4.2 特征选择 | 第52-53页 |
| 4.4.3 实验与分析 | 第53-54页 |
| 4.5 知识图谱的绘制 | 第54-55页 |
| 4.5.1 数据入库 | 第54页 |
| 4.5.2 图形绘制 | 第54-55页 |
| 4.6 知识图谱的应用 | 第55-57页 |
| 4.6.1 领域发展现状分析 | 第56-57页 |
| 4.6.2 领域高层流动分析 | 第57页 |
| 4.7 本章小结 | 第57-58页 |
| 5 基于深度学习的商业领域知识图谱应用实例 | 第58-63页 |
| 5.1 医疗知识图谱 | 第58-60页 |
| 5.1.1 背景介绍 | 第58页 |
| 5.1.2 数据来源 | 第58页 |
| 5.1.3 构建知识图谱 | 第58-59页 |
| 5.1.4 知识图谱分析 | 第59-60页 |
| 5.2 人才发现与人才培养 | 第60-62页 |
| 5.2.1 背景介绍 | 第60页 |
| 5.2.2 数据来源 | 第60页 |
| 5.2.3 构建知识图谱 | 第60-61页 |
| 5.2.4 知识图谱分析 | 第61-62页 |
| 5.3 本章小结 | 第62-63页 |
| 6 结论 | 第63-65页 |
| 6.1 总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 后记 | 第69页 |