| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 课题背景 | 第13-15页 |
| 1.2 研究目的和本文主要工作 | 第15-16页 |
| 1.3 论文组织结构 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第2章 国内外研究现状 | 第18-31页 |
| 2.1 实体链接的主要流程 | 第18-21页 |
| 2.1.1 名字扩展 | 第19-20页 |
| 2.1.2 候选生成 | 第20-21页 |
| 2.2 传统非协同方法 | 第21-22页 |
| 2.3 基于深度学习的方法 | 第22-26页 |
| 2.3.1 基于Stacked Denoising Auto-encoders的方法 | 第23-24页 |
| 2.3.2 基于卷积神经网络的匹配程度模型 | 第24-26页 |
| 2.4 协同方法 | 第26-30页 |
| 2.4.1 两个实体间关联程度的评估 | 第27页 |
| 2.4.2 多个实体间总体关联程度的评估 | 第27-29页 |
| 2.4.3 相关提及选择 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第3章 基于融合实体信息的文档向量的实体链接方法 | 第31-55页 |
| 3.1 名字扩展 | 第32-33页 |
| 3.2 候选生成 | 第33-34页 |
| 3.3 融合实体信息的文档向量表达模型 | 第34-46页 |
| 3.3.1 PV-DBOW模型简介 | 第35-37页 |
| 3.3.2 实体信息的融入 | 第37-40页 |
| 3.3.3 新文档向量表达学习 | 第40页 |
| 3.3.4 模型训练 | 第40-46页 |
| 3.3.5 模型训练复杂度分析 | 第46页 |
| 3.4 基于语义匹配程度模型的候选排序 | 第46-49页 |
| 3.4.1 候选实体与提及的语义匹配程度模型 | 第47-49页 |
| 3.4.2 候选实体的综合评分 | 第49页 |
| 3.5 NIL检测 | 第49-51页 |
| 3.6 NIL聚类 | 第51-54页 |
| 3.7 本章小结 | 第54-55页 |
| 第4章 实验设计与结果分析 | 第55-66页 |
| 4.1 实验数据 | 第55-57页 |
| 4.1.1 实体链接数据 | 第55-56页 |
| 4.1.2 知识库数据 | 第56-57页 |
| 4.2 评价指标 | 第57-58页 |
| 4.3 模型训练设定 | 第58-59页 |
| 4.4 实体链接实验与结果分析 | 第59-65页 |
| 4.4.1 总体链接性能 | 第60-63页 |
| 4.4.2 NIL检测的实验考察 | 第63页 |
| 4.4.3 NIL聚类的实验考察 | 第63-64页 |
| 4.4.4 不同实体类别的链接效果 | 第64页 |
| 4.4.5 典型链接错误分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 第5章 实体链接系统应用 | 第66-73页 |
| 5.1 实体链接在知识库构建中的应用 | 第66-70页 |
| 5.1.1 实体发现与链接任务要求 | 第67-68页 |
| 5.1.2 针对任务要求的系统改进 | 第68-69页 |
| 5.1.3 实体发现与链接任务结果 | 第69-70页 |
| 5.2 中国工程科技知识中心建设项目中的应用 | 第70-72页 |
| 5.2.1 在知识计算引擎平台中的应用 | 第70-71页 |
| 5.2.2 以Web API形式提供的服务 | 第71-72页 |
| 5.3 本章小结 | 第72-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 全文总结 | 第73-74页 |
| 6.2 未来研究方向 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 攻读硕士学位期间主要的研究成果 | 第81-82页 |
| 致谢 | 第82页 |