面向跨媒体信息的领域本体学习方法与应用研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状分析 | 第10-12页 |
| 1.2.1 跨媒体研究现状 | 第10页 |
| 1.2.2 本体研究现状 | 第10-11页 |
| 1.2.3 本体学习研究现状 | 第11-12页 |
| 1.3 研究内容及论文组织结构 | 第12-14页 |
| 第二章 相关理论及方法研究 | 第14-26页 |
| 2.1 跨媒体信息相关研究 | 第14-15页 |
| 2.1.1 跨媒体信息 | 第14页 |
| 2.1.2 跨媒体信息处理相关技术 | 第14-15页 |
| 2.1.3 跨媒体信息的表示与共享 | 第15页 |
| 2.2 本体相关研究 | 第15-20页 |
| 2.2.1 本体 | 第15-17页 |
| 2.2.2 领域本体 | 第17-18页 |
| 2.2.3 本体学习 | 第18-20页 |
| 2.3 基于LDA的领域本体学习 | 第20-25页 |
| 2.3.1 LDA主题模型分析 | 第20-21页 |
| 2.3.2 LDA主题模型的构建方法 | 第21-22页 |
| 2.3.3 基于LDA的领域本体学习体系框架 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于LDA的领域本体概念学习 | 第26-39页 |
| 3.1 候选术语集的获取 | 第26-28页 |
| 3.1.1 跨媒体信息的采集 | 第26-27页 |
| 3.1.2 基于NLPIR的自适应分词 | 第27-28页 |
| 3.1.3 领域术语过滤 | 第28页 |
| 3.2 本体概念相关术语抽取 | 第28-31页 |
| 3.2.1 LDA主题模型的建立 | 第29-30页 |
| 3.2.2 本体概念相关术语的抽取 | 第30-31页 |
| 3.3 领域本体概念学习的实现 | 第31-38页 |
| 3.3.1 实验数据的组织 | 第31-33页 |
| 3.3.2 实验参数设置 | 第33页 |
| 3.3.3 候选术语集获取过程 | 第33-35页 |
| 3.3.4 领域本体概念学习过程 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于LDA的领域本体关系及实例学习 | 第39-50页 |
| 4.1 语义关系的识别 | 第39-41页 |
| 4.1.1 关系识别规则的构建 | 第39-41页 |
| 4.1.2 概念间语义关系的识别与连接 | 第41页 |
| 4.2 领域本体实例与概念的匹配 | 第41-44页 |
| 4.2.1 实例数据的获取和整理 | 第41-42页 |
| 4.2.2 实例与概念的匹配和连接 | 第42-44页 |
| 4.3 实现过程与效果分析 | 第44-49页 |
| 4.3.1 实验数据及环境 | 第44页 |
| 4.3.2 领域本体关系学习过程 | 第44-46页 |
| 4.3.3 领域本体实例学习过程 | 第46-48页 |
| 4.3.4 实验效果分析 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-51页 |
| 5.1 取得的成果 | 第50页 |
| 5.2 未来工作展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 致谢 | 第55-56页 |
| 攻读学位期间的科研成果 | 第56-57页 |
| 作者简介 | 第57页 |
