| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 主要符号对照表 | 第10-11页 |
| 第1章 引言 | 第11-23页 |
| 1.1 研究背景 | 第11-16页 |
| 1.2 研究问题的提出 | 第16-18页 |
| 1.3 本研究面临的主要挑战 | 第18-20页 |
| 1.4 本文的工作内容与主要贡献 | 第20-23页 |
| 第2章 研究现状与相关工作 | 第23-31页 |
| 2.1 表示学习 | 第23-27页 |
| 2.1.1 离散特征表示的启发式编码方法 | 第23-24页 |
| 2.1.2 低维隐含特征表示的无监督学习方法 | 第24-25页 |
| 2.1.3 低维连续特征表示的监督学习方法 | 第25-27页 |
| 2.2 关系抽取 | 第27-28页 |
| 2.2.1 利用人工标注语料的关系抽取方法 | 第27-28页 |
| 2.2.2 利用自动构建弱标注语料的关系抽取方法 | 第28页 |
| 2.3 事实推断 | 第28-31页 |
| 2.3.1 基于知识库的局部图结构进行事实推断的方法 | 第29页 |
| 2.3.2 基于知识库全局图结构进行事实计算的推断方法 | 第29-31页 |
| 第3章 基于低秩矩阵表示学习的自由文本信息抽取 | 第31-47页 |
| 3.1 本章概要 | 第31页 |
| 3.2 基于远程监督范式的自由文本实体与知识库实体的链接预测 | 第31-37页 |
| 3.2.1 远程监督范式 | 第32-33页 |
| 3.2.2 采用远程监督范式构建实体链接预测的弱标注数据 | 第33页 |
| 3.2.3 弱标注数据下构建实体链接预测模型 | 第33-35页 |
| 3.2.4 实验与分析 | 第35-37页 |
| 3.3 基于低秩矩阵重建学习的自由文本实体之间的关系抽取 | 第37-45页 |
| 3.3.1 采用远程监督范式构建关系抽取的弱标注数据 | 第37-39页 |
| 3.3.2 弱标注数据下从事关系抽取的低秩矩阵重建学习模型 | 第39-41页 |
| 3.3.3 弱标注数据下从事关系抽取的低秩矩阵重建学习算法 | 第41-42页 |
| 3.3.4 实验与分析 | 第42-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第4章 基于低维向量的知识库表示学习与事实推断 | 第47-71页 |
| 4.1 本章概要 | 第47页 |
| 4.2 确定性知识库几何结构的表示学习与事实推断 | 第47-58页 |
| 4.2.1 确定性知识库 | 第48页 |
| 4.2.2 利用确定性知识库的几何结构建立表示学习模型 | 第48-51页 |
| 4.2.3 基于确定性知识库几何结构的表示学习算法 | 第51-52页 |
| 4.2.4 实验与分析 | 第52-56页 |
| 4.2.5 超参数配置 | 第56-58页 |
| 4.3 非确定性知识库的概率表示学习与事实推断 | 第58-66页 |
| 4.3.1 非确定性知识库 | 第58-59页 |
| 4.3.2 利用非确定性知识库的事实概率构建表示学习模型 | 第59-60页 |
| 4.3.3 基于非确定性知识库中事实概率的表示学习算法 | 第60-61页 |
| 4.3.4 实验与分析 | 第61-65页 |
| 4.3.5 超参数配置 | 第65-66页 |
| 4.4 多映射型事实对知识库表示学习算法的影响 | 第66-69页 |
| 4.4.1 知识库中的多映射型事实 | 第67页 |
| 4.4.2 知识库表示学习模型面对多映射型事实的弊端 | 第67页 |
| 4.4.3 多映射型事实对知识库表示学习算法的改善策略 | 第67-68页 |
| 4.4.4 实验与分析 | 第68-69页 |
| 4.5 本章小结 | 第69-71页 |
| 第5章 知识库与自由文本的联合低维表示学习 | 第71-102页 |
| 5.1 本章概要 | 第71页 |
| 5.2 基于几何距离度量的知识库与关系叙述联合表示学习 | 第71-78页 |
| 5.2.1 知识库中的关系及其对应的关系叙述文本 | 第72-73页 |
| 5.2.2 基于几何距离度量的知识库与关系叙述联合表示学习模型 | 第73-75页 |
| 5.2.3 基于几何距离度量的知识库与关系叙述联合表示学习算法 | 第75-76页 |
| 5.2.4 实验与分析 | 第76-77页 |
| 5.2.5 超参数配置 | 第77-78页 |
| 5.3 基于概率事实假设的知识库与关系叙述联合表示学习 | 第78-90页 |
| 5.3.1 基于概率事实假设的知识库与关系叙述联合表示学习模型 | 第78-79页 |
| 5.3.2 基于概率事实假设的知识库与关系叙述联合表示学习算法 | 第79-81页 |
| 5.3.3 实验与分析 | 第81-89页 |
| 5.3.4 超参数配置 | 第89-90页 |
| 5.4 知识库与自由文本中实体描述的联合低维表示学习 | 第90-100页 |
| 5.4.1 知识库中的实体及其对应的实体描述文本 | 第91页 |
| 5.4.2 知识库实体与实体描述文本的联合表示学习模型 | 第91-93页 |
| 5.4.3 知识库实体与实体描述文本的联合表示学习算法 | 第93-94页 |
| 5.4.4 实验与分析 | 第94-99页 |
| 5.4.5 超参数配置 | 第99-100页 |
| 5.5 本章小结 | 第100-102页 |
| 第6章 总结与展望 | 第102-106页 |
| 6.1 研究工作总结 | 第102-103页 |
| 6.2 未来工作展望 | 第103-106页 |
| 6.2.1 多映射型与复合关系型知识的表示学习研究 | 第103-104页 |
| 6.2.2 词汇、实体和关系的统一空间表示模型 | 第104页 |
| 6.2.3 分布式架构下知识向量化表示学习的无损算法 | 第104-106页 |
| 参考文献 | 第106-112页 |
| 致谢 | 第112-114页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第114-116页 |
