基于深度卷积网络的知识图谱补全模型
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题来源 | 第8页 |
| 1.2 课题背景和意义 | 第8-11页 |
| 1.2.1 研究背景 | 第8-9页 |
| 1.2.2 研究意义 | 第9-11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.4 本文主要内容 | 第13页 |
| 1.5 本文结构安排 | 第13-15页 |
| 第2章 知识图谱补全模型 | 第15-29页 |
| 2.1 知识图谱中的词嵌入表示 | 第15-18页 |
| 2.2 评分函数 | 第18-22页 |
| 2.2.1 组合方法 | 第19-20页 |
| 2.2.2 非组合方法 | 第20-21页 |
| 2.2.3 卷积网络在NLP中的应用 | 第21-22页 |
| 2.3 训练方法 | 第22-26页 |
| 2.3.1 point-wise训练方法 | 第22-23页 |
| 2.3.2 pair-wise训练方法 | 第23-25页 |
| 2.3.3 list-wise训练方法 | 第25页 |
| 2.3.4 训练方法的比较和分析 | 第25-26页 |
| 2.4 负例生成 | 第26-27页 |
| 2.5 本章小节 | 第27-29页 |
| 第3章 基于卷积网络的知识图谱补全模型 | 第29-40页 |
| 3.1 模型由来 | 第29-31页 |
| 3.2 整体架构 | 第31-33页 |
| 3.3 连接操作 | 第33-34页 |
| 3.4 深度卷积网络 | 第34-35页 |
| 3.5 RESHAPE操作 | 第35页 |
| 3.6 内积运算 | 第35-36页 |
| 3.7 损失函数 | 第36-37页 |
| 3.7.1 基于point-wise的损失函数 | 第36页 |
| 3.7.2 基于pair-wise的损失函数 | 第36-37页 |
| 3.7.3 基于list-wise的损失函数 | 第37页 |
| 3.7.4 基于分类信息的损失函数 | 第37页 |
| 3.8 基于局部信息的DCNN | 第37-38页 |
| 3.9 本章小节 | 第38-40页 |
| 第4章 DCNN模型的试验结果分析 | 第40-47页 |
| 4.1 数据集 | 第40-41页 |
| 4.2 评价指标 | 第41页 |
| 4.3 实体预测 | 第41-43页 |
| 4.4 关系预测 | 第43-44页 |
| 4.5 三元组分类 | 第44-45页 |
| 4.6 小结 | 第45-47页 |
| 结论 | 第47-49页 |
| 参考文献 | 第49-52页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第52-54页 |
| 致谢 | 第54-55页 |
