面向Web数据的知识图谱学习与推理关键技术研究
| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 知识图谱构建研究现状 | 第9-10页 |
| 1.2.2 知识表示学习与推理研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 论文组织结构 | 第12-14页 |
| 第2章 相关理论研究 | 第14-24页 |
| 2.1 知识图谱概述 | 第14-16页 |
| 2.1.1 知识图谱的定义 | 第14-15页 |
| 2.1.2 典型知识图谱 | 第15-16页 |
| 2.2 知识图谱构建 | 第16-19页 |
| 2.2.1 知识图谱构建方法 | 第16-17页 |
| 2.2.2 知识图谱构建流程 | 第17-19页 |
| 2.3 知识表示学习与推理 | 第19-23页 |
| 2.3.1 知识表示学习的定义 | 第19页 |
| 2.3.2 实体表示学习与推理 | 第19-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于语义张量的知识表示学习算法 | 第24-34页 |
| 3.1 现有模型算法的局限性 | 第24-26页 |
| 3.2 模型与方法 | 第26-28页 |
| 3.2.1 知识图谱张量化 | 第26页 |
| 3.2.2 知识图谱采样 | 第26-27页 |
| 3.2.3 主成分分析 | 第27-28页 |
| 3.3 算法流程设计 | 第28-30页 |
| 3.4 实验分析 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于贝叶斯的知识图谱推理方法 | 第34-44页 |
| 4.1 贝叶斯网络链接预测 | 第34-35页 |
| 4.2 模型与方法 | 第35-39页 |
| 4.2.1 贝叶斯潜在因子模型 | 第35-36页 |
| 4.2.2 潜在因子发现算法 | 第36-39页 |
| 4.3 实验分析 | 第39-43页 |
| 4.3.1 实验环境及数据 | 第39-40页 |
| 4.3.2 实验结果及可视化分析 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 知识图谱学习与推理原型系统设计与实现 | 第44-58页 |
| 5.1 系统设计方案 | 第44-46页 |
| 5.1.1 实验环境配置 | 第44页 |
| 5.1.2 系统架构 | 第44-46页 |
| 5.2 系统功能模块实现 | 第46-56页 |
| 5.3 原型系统运行效果 | 第56-57页 |
| 5.4 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间取得的研究成果 | 第64-66页 |
| 致谢 | 第66-67页 |
