| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第13-25页 |
| 1.1 研究背景及意义 | 第13-18页 |
| 1.1.1 研究背景 | 第13-16页 |
| 1.1.2 研究意义 | 第16-18页 |
| 1.2 研究现状 | 第18-20页 |
| 1.2.1 基于图特征模型的方法 | 第18-19页 |
| 1.2.2 基于潜在特征向量模型的方法 | 第19-20页 |
| 1.3 本文的主要工作 | 第20-21页 |
| 1.4 本文结构 | 第21-25页 |
| 第二章 知识图谱构建相关技术 | 第25-37页 |
| 2.1 知识图谱的数据来源 | 第25-26页 |
| 2.2 常见知识图谱 | 第26-29页 |
| 2.3 知识图谱本体研究 | 第29-30页 |
| 2.4 知识图谱抽取技术 | 第30-34页 |
| 2.4.1 实体抽取 | 第30-31页 |
| 2.4.2 实体对齐 | 第31-32页 |
| 2.4.3 实体属性值对挖掘 | 第32-33页 |
| 2.4.4 关系抽取 | 第33-34页 |
| 2.5 知识图谱挖掘技术 | 第34-35页 |
| 2.5.1 知识推理 | 第34-35页 |
| 2.5.2 实体重要性排序 | 第35页 |
| 2.5.3 相关实体挖掘 | 第35页 |
| 2.6 小结 | 第35-37页 |
| 第三章 基于成对交互分化潜在向量模型的自动演进算法 | 第37-55页 |
| 3.1 引言 | 第37-39页 |
| 3.2 相关工作 | 第39-40页 |
| 3.3 基于成对交互分化潜在向量模型的自动演进算法 | 第40-42页 |
| 3.3.1 问题定义 | 第40-41页 |
| 3.3.2 成对交互分化潜在向量模型 | 第41-42页 |
| 3.4 模型优化算法 | 第42-47页 |
| 3.4.1 基于边界的模型优化算法 | 第43-45页 |
| 3.4.2 基于最大排序似然概率的模型优化算法 | 第45-46页 |
| 3.4.3 优化算法对比分析 | 第46-47页 |
| 3.5 实验 | 第47-54页 |
| 3.5.1 实验设置 | 第47-49页 |
| 3.5.2 实验结果与分析 | 第49-54页 |
| 3.6 小结 | 第54-55页 |
| 第四章 基于联合潜在向量模型的自动演进算法 | 第55-67页 |
| 4.1 引言 | 第55-56页 |
| 4.2 相关工作 | 第56-57页 |
| 4.2.1 基于结构化知识的学习模型 | 第56页 |
| 4.2.2 基于非结构化知识的学习模型 | 第56页 |
| 4.2.3 零样本学习方法 | 第56-57页 |
| 4.3 基于联合潜在向量模型的自动演进算法 | 第57-60页 |
| 4.3.1 基于实体描述文本的实体潜在语义向量学习算法 | 第57-58页 |
| 4.3.2 基于知识图谱和实体描述文本的联合潜在向量模型 | 第58-60页 |
| 4.4 模型优化算法 | 第60-62页 |
| 4.5 实验 | 第62-66页 |
| 4.5.1 实验设置 | 第62-64页 |
| 4.5.2 实验结果与分析 | 第64-66页 |
| 4.6 小结 | 第66-67页 |
| 第五章 基于潜在向量转化神经网络模型的自动演进算法 | 第67-81页 |
| 5.1 引言 | 第67-68页 |
| 5.2 相关工作 | 第68-70页 |
| 5.2.1 基于非结构化文本语料的词向量学习 | 第68-69页 |
| 5.2.2 基于知识图谱的实体向量学习 | 第69页 |
| 5.2.3 神经网络模型 | 第69-70页 |
| 5.3 基于潜在向量转化神经网络模型的自动演进算法 | 第70-74页 |
| 5.3.1 实体FT向量学习 | 第70-71页 |
| 5.3.2 实体KG向量学习 | 第71-72页 |
| 5.3.3 潜在向量转化神经网络模型 | 第72-74页 |
| 5.4 实验 | 第74-79页 |
| 5.4.1 实验设置 | 第74-76页 |
| 5.4.2 实验结果与分析 | 第76-79页 |
| 5.5 小结 | 第79-81页 |
| 第六章 基于潜在向量模型的信息推荐算法研究 | 第81-97页 |
| 6.1 引言 | 第81-83页 |
| 6.2 相关工作 | 第83页 |
| 6.3 基于潜在向量模型的推荐系统关系预测算法 | 第83-87页 |
| 6.3.1 问题定义 | 第83-84页 |
| 6.3.2 基于潜在向量模型的关系预测 | 第84-85页 |
| 6.3.3 模型优化算法 | 第85-87页 |
| 6.4 基于RPEM模型的跨域推荐生成算法 | 第87-88页 |
| 6.5 实验 | 第88-96页 |
| 6.5.1 单域推荐实验与分析 | 第88-93页 |
| 6.5.2 跨域推荐实验与分析 | 第93-96页 |
| 6.6 小结 | 第96-97页 |
| 第七章 总结与展望 | 第97-99页 |
| 7.1 论文的工作总结 | 第97-98页 |
| 7.2 研究展望 | 第98-99页 |
| 附录A 缩略语表 | 第99-101页 |
| 参考文献 | 第101-115页 |
| 致谢 | 第115-117页 |
| 攻读学位期间发表的学术论文目录 | 第117页 |
