| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-19页 |
| 1.2.1 知识图谱研究现状 | 第13-15页 |
| 1.2.2 知识图谱表示学习研究现状 | 第15-16页 |
| 1.2.3 融入实体描述的知识图谱表示学习研究现状 | 第16-19页 |
| 1.3 论文主要工作 | 第19-20页 |
| 1.4 论文组织结构 | 第20-21页 |
| 2 相关理论与技术 | 第21-33页 |
| 2.1 知识表示与表示学习 | 第21-22页 |
| 2.1.1 知识表示 | 第21页 |
| 2.1.2 表示学习 | 第21-22页 |
| 2.2 知识图谱表示学习的典型模型 | 第22-27页 |
| 2.2.1 翻译模型 | 第23-25页 |
| 2.2.2 灵活翻译模型 | 第25-26页 |
| 2.2.3 其他模型 | 第26-27页 |
| 2.3 模型训练方法和相关技术 | 第27-32页 |
| 2.3.1 训练目标 | 第27-29页 |
| 2.3.2 负采样过程 | 第29-30页 |
| 2.3.3 梯度下降训练 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 3 基于卷积循环神经网络融入实体描述的知识图谱表示学习 | 第33-43页 |
| 3.1 融入实体描述的知识图谱表示学习模型的相关定义 | 第33-34页 |
| 3.1.1 知识图谱的符号定义 | 第33页 |
| 3.1.2 融入实体描述的三元组得分函数定义 | 第33-34页 |
| 3.2 卷积神经网络与循环神经网络 | 第34-38页 |
| 3.2.1 卷积神经网络 | 第34-36页 |
| 3.2.2 循环神经网络 | 第36-38页 |
| 3.3 基于卷积循环神经网络融入实体描述的知识图谱表示学习 | 第38-41页 |
| 3.3.1 模型整体框架 | 第38-39页 |
| 3.3.2 基于卷积循环神经网络的实体描述表示方法 | 第39-40页 |
| 3.3.3 模型训练目标 | 第40-41页 |
| 3.4 本章小结 | 第41-43页 |
| 4 基于注意力机制融入实体描述的知识图谱表示学习 | 第43-50页 |
| 4.1 注意力机制 | 第43-46页 |
| 4.2 基于注意力机制融入实体描述的知识图谱表示学习 | 第46-49页 |
| 4.2.1 模型整体框架 | 第46-47页 |
| 4.2.2 基于注意力机制的实体描述表示方法 | 第47-48页 |
| 4.2.3 模型训练目标 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 实验与结果分析 | 第50-60页 |
| 5.1 数据集 | 第50-52页 |
| 5.1.1 Freebase | 第50-51页 |
| 5.1.2 WordNet | 第51-52页 |
| 5.2 实验设计 | 第52-54页 |
| 5.2.1 数据预处理 | 第52页 |
| 5.2.2 模型初始化 | 第52-53页 |
| 5.2.3 实验参数设置 | 第53页 |
| 5.2.4 对比实验设置 | 第53-54页 |
| 5.3 链接预测 | 第54-57页 |
| 5.3.1 评价标准 | 第55页 |
| 5.3.2 实验结果分析 | 第55-57页 |
| 5.4 三元组分类 | 第57-58页 |
| 5.4.1 评价标准 | 第57页 |
| 5.4.2 实验结果分析 | 第57-58页 |
| 5.5 实验结论 | 第58-59页 |
| 5.6 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60-61页 |
| 6.2 展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68页 |
