| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要研究工作 | 第11-12页 |
| 第二章 神经网络介绍 | 第12-23页 |
| 2.1 深度学习算法 | 第12-18页 |
| 2.1.1 神经网络算法概述 | 第12页 |
| 2.1.2 受限玻尔兹曼机（Restricted Boltzmann Machines, RBM） | 第12-16页 |
| 2.1.3 深度置信网络（Deep Belief Networks，DBN） | 第16-18页 |
| 2.2 Word2vec | 第18-22页 |
| 2.2.1 概率语言模型 | 第18-20页 |
| 2.2.2 CBOW模型 | 第20-21页 |
| 2.2.3 Skip-gram模型 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第三章 知识图谱综述 | 第23-37页 |
| 3.1 知识图谱的发展历程 | 第23-25页 |
| 3.1.1 起源：（知识图谱Mapping Knowledge Domain） | 第23页 |
| 3.1.2 发展：（知识库Knowledge Base） | 第23-24页 |
| 3.1.3 形成：（知识图谱Knowledge Graph） | 第24-25页 |
| 3.2 知识图谱的数据来源 | 第25-27页 |
| 3.2.1 网页数据 | 第26-27页 |
| 3.2.2 数据库 | 第27页 |
| 3.3 知识图谱的构建 | 第27-31页 |
| 3.3.1 本体学习 | 第28-30页 |
| 3.3.2 实体学习 | 第30-31页 |
| 3.4 知识图谱上的挖掘 | 第31-34页 |
| 3.4.1 知识推理 | 第31-33页 |
| 3.4.2 用户搜索意图的挖掘 | 第33-34页 |
| 3.5 知识图谱的更新和维护 | 第34-35页 |
| 3.5.1 数据模式层的更新 | 第34页 |
| 3.5.2 数据层的更新 | 第34-35页 |
| 3.6 总结与展望 | 第35-36页 |
| 3.7 本章小结 | 第36-37页 |
| 第四章 基于深度学习的大规模图结点表示学习 | 第37-47页 |
| 4.1 图结点表示学习简介 | 第37-38页 |
| 4.2 基于深度学习的网络表示学习方法 | 第38-40页 |
| 4.2.1 Deepwalk算法 | 第38-39页 |
| 4.2.2 Line算法 | 第39页 |
| 4.2.3 Node2vec算法 | 第39-40页 |
| 4.3 基于标签信息的指导游走算法 | 第40-46页 |
| 4.3.1 算法实现 | 第40-43页 |
| 4.3.2 实验验证 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 基于深度学习分类算法的网络链路预测 | 第47-58页 |
| 5.1 链路预测算法 | 第47-49页 |
| 5.1.1 算法简介 | 第47页 |
| 5.1.2 问题描述 | 第47-48页 |
| 5.1.3 常见的链路预测算法 | 第48-49页 |
| 5.2 利用神经网络分类模型预测链路的方法 | 第49-51页 |
| 5.2.1 边特征的生成 | 第50页 |
| 5.2.2 神经网络模型 | 第50-51页 |
| 5.3 实验验证 | 第51-57页 |
| 5.3.1 数据集 | 第51-53页 |
| 5.3.2 链路预测结果的评价标准 | 第53页 |
| 5.3.3 实验结果及分析 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-59页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 附录3 攻读硕士学位期间申请的专利 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |
