食物之间容克关系分类方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 食物容克的研究背景和意义 | 第11-12页 |
| 1.2 食物容克的研究现状 | 第12-14页 |
| 1.3 论文的主要工作 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第二章 相关理论和技术背景介绍 | 第16-27页 |
| 2.1 文本的预处理操作 | 第16-18页 |
| 2.1.1 中文分词 | 第16页 |
| 2.1.2 词性标注 | 第16-17页 |
| 2.1.3 停用词清洗 | 第17-18页 |
| 2.2 文本的词向量模型 | 第18页 |
| 2.3 知识表示学习的常用模型 | 第18-24页 |
| 2.3.1 距离模型 | 第18-19页 |
| 2.3.2 单层神经网络模型 | 第19-20页 |
| 2.3.3 能量模型 | 第20页 |
| 2.3.4 双线性模型 | 第20-21页 |
| 2.3.5 张量神经网络模型 | 第21页 |
| 2.3.6 矩阵分解模型 | 第21-22页 |
| 2.3.7 TransE类模型 | 第22-23页 |
| 2.3.8 模型小节 | 第23-24页 |
| 2.4 使用到的分类器模型介绍 | 第24-25页 |
| 2.4.1 支持向量机 | 第24页 |
| 2.4.2 神经网络 | 第24页 |
| 2.4.3 K近邻算法 | 第24-25页 |
| 2.5 常见的集成方法 | 第25页 |
| 2.5.1 简单投票法 | 第25页 |
| 2.5.2 线性特征学习 | 第25页 |
| 2.5.3 非线性特征学习 | 第25页 |
| 2.6 实验中所使用的软件 | 第25-26页 |
| 2.6.1 Jieba | 第26页 |
| 2.6.2 gensim | 第26页 |
| 2.6.3 sklearn | 第26页 |
| 2.6.4 keras | 第26页 |
| 2.7 本章小结 | 第26-27页 |
| 第三章 构建食物容克关系数据集 | 第27-38页 |
| 3.1 采集食材容克关系数据 | 第27-31页 |
| 3.1.1 豆果美食网 | 第27-28页 |
| 3.1.2 美食杰网 | 第28-29页 |
| 3.1.3 香哈网 | 第29-31页 |
| 3.2 采集语料数据 | 第31-32页 |
| 3.3 训练语料数据 | 第32-34页 |
| 3.3.1 分词步骤 | 第33页 |
| 3.3.2 词向量模型训练步骤 | 第33-34页 |
| 3.4 食物容克关系数据集 | 第34-36页 |
| 3.4.1 重复问题 | 第34-35页 |
| 3.4.2 冲突问题 | 第35页 |
| 3.4.3 多名称问题 | 第35-36页 |
| 3.4.4 映射问题 | 第36页 |
| 3.4.5 数据集描述 | 第36页 |
| 3.5 本章小结 | 第36-38页 |
| 第四章 食物容克关系分类 | 第38-47页 |
| 4.1 算法基本框架 | 第38-40页 |
| 4.1.1 关系特征表示 | 第38-40页 |
| 4.2 数据增强方法 | 第40-42页 |
| 4.2.1 随机乱排方法 | 第40-41页 |
| 4.2.2 随机选择方法 | 第41页 |
| 4.2.3 数据增强的应用 | 第41-42页 |
| 4.3 不同的模型 | 第42-45页 |
| 4.3.1 不同的向量组合方式 | 第44页 |
| 4.3.2 不同词向量维度 | 第44-45页 |
| 4.3.3 不同的分类器 | 第45页 |
| 4.4 将模型的集成起来 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 实验 | 第47-67页 |
| 5.1 实验的环境 | 第47页 |
| 5.2 数据集的介绍 | 第47页 |
| 5.3 实验所使用的软件 | 第47-48页 |
| 5.4 实验 | 第48-65页 |
| 5.4.1 输入的描述 | 第49页 |
| 5.4.2 分类器参数的具体描述 | 第49-50页 |
| 5.4.3 实验结果 | 第50-63页 |
| 5.4.4 深度模型 | 第63-64页 |
| 5.4.5 集成的结果 | 第64-65页 |
| 5.5 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的研究成果 | 第73-74页 |
| 致谢 | 第74-75页 |
| 答辩委员会对论文的评定意见 | 第75页 |
