| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-17页 |
| 1.4 本文的组织结构 | 第17-18页 |
| 第二章 相关理论和方法介绍 | 第18-26页 |
| 2.1 表示学习研究综述 | 第18-21页 |
| 2.1.1 表示学习的基本概念 | 第18-19页 |
| 2.1.2 表示学习的理论基础 | 第19页 |
| 2.1.3 表示学习的主要优点 | 第19-20页 |
| 2.1.4 知识表示学习的主要方法 | 第20-21页 |
| 2.2 词表示相关综述 | 第21-23页 |
| 2.3 LDA模型相关综述 | 第23-26页 |
| 2.3.1 基本原理 | 第23页 |
| 2.3.2 基于Gibbs抽样的参数估计 | 第23-26页 |
| 第三章 融合多策略和词表示的领域上下位关系获取 | 第26-36页 |
| 3.1 概述 | 第26-27页 |
| 3.2 融合多策略和词表示的领域实体上下位关系获取 | 第27-32页 |
| 3.2.1 候选关系实例获取 | 第27-28页 |
| 3.2.2 基于SVM候选上下位关系实例的验证 | 第28-30页 |
| 3.2.3 上下文关系向量表示和识别 | 第30-32页 |
| 3.3 实验设计与结果分析 | 第32-33页 |
| 3.3.1 实验语料及评测指标 | 第32页 |
| 3.3.2 实验设计 | 第32页 |
| 3.3.3 实验结果与分析 | 第32-33页 |
| 3.4 总结 | 第33-36页 |
| 第四章 融合词表示和LDA主题模型的领域实体消歧 | 第36-48页 |
| 4.1 概述 | 第36-37页 |
| 4.2 原理 | 第37-38页 |
| 4.3 词向量模型训练 | 第38页 |
| 4.4 候选实体生成 | 第38页 |
| 4.5 实体消歧 | 第38-43页 |
| 4.5.1 上下文相似度计算 | 第38-39页 |
| 4.5.2 基于实体上下位关系的类别相似度计算 | 第39-40页 |
| 4.5.3 基于主题关键词相似度计算 | 第40-42页 |
| 4.5.4 特征相似度融合 | 第42-43页 |
| 4.6 实验设计与结果分析 | 第43-45页 |
| 4.6.1 实验语料与相关参数设置 | 第43页 |
| 4.6.2 实验设计 | 第43-44页 |
| 4.6.3 实验结果与分析 | 第44-45页 |
| 4.7 总结 | 第45-48页 |
| 第五章 基于知识表示模型的领域实体链接预测 | 第48-56页 |
| 5.1 概述 | 第48-49页 |
| 5.2 旅游领域知识图谱 | 第49-50页 |
| 5.3 表示学习模型 | 第50-51页 |
| 5.3.1 TransE模型 | 第50页 |
| 5.3.2 TransR模型 | 第50-51页 |
| 5.4 目标形式化 | 第51-52页 |
| 5.5 实验结果分析 | 第52-54页 |
| 5.5.1 数据集 | 第52页 |
| 5.5.2 参数设置 | 第52页 |
| 5.5.3 链接评测 | 第52-54页 |
| 5.6 总结 | 第54-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 附录A 攻读硕士期间发表论文与申请软件专利著作权 | 第66-68页 |
| 附录B 攻读硕士期间参与项目 | 第68页 |