| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-17页 |
| 1.1 研究背景与意义 | 第8-10页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 数据复用的相关研究 | 第10-11页 |
| 1.2.2 数据相似性 | 第11-13页 |
| 1.3 主要研究目标及工作 | 第13-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 第二章 相关概念与技术 | 第17-28页 |
| 2.1 科技数据复用 | 第17-18页 |
| 2.1.1 数据复用概念 | 第17页 |
| 2.1.2 数据复用的应用 | 第17-18页 |
| 2.2 深度学习 | 第18-22页 |
| 2.2.1 深度学习概念 | 第18-19页 |
| 2.2.2 Word2vec模型原理 | 第19-21页 |
| 2.2.3 卷积神经网络和循环神经网络 | 第21-22页 |
| 2.3 科技数据列式存储 | 第22-25页 |
| 2.3.1 非关系型数据库Mongo DB简介 | 第23-24页 |
| 2.3.2 非关系型数据库与关系型数据库的简单比较 | 第24-25页 |
| 2.4 科技数据相似性分析 | 第25-26页 |
| 2.4.1 基于传统数据相似性分析方法 | 第25-26页 |
| 2.4.2 基于深度学习相似性分析方法 | 第26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 面向科技数据复用的短文本相似性分析 | 第28-44页 |
| 3.1 科技数据短文本预处理 | 第28-30页 |
| 3.1.1 短文本分词 | 第28-29页 |
| 3.1.2 停用词分析 | 第29页 |
| 3.1.3 特征词向量 | 第29-30页 |
| 3.2 基于同义词词林改进的科技短文本语义相似度算法 | 第30-34页 |
| 3.2.1 同义词词林介绍 | 第30-31页 |
| 3.2.2 基于同义词词林改进的科技短文本相似度C_Lin算法 | 第31-34页 |
| 3.3 基于内注意力机制的科技短文本语义相似度模型 | 第34-38页 |
| 3.3.1 基于LSTM的文本相似度识别 | 第34-36页 |
| 3.3.2 基于内注意力机制相似度分析IA-LSTM模型 | 第36-38页 |
| 3.4 实验设计与结果分析 | 第38-43页 |
| 3.4.1 实验数据与实验流程 | 第38-40页 |
| 3.4.2 结果分析 | 第40-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 面向科技数据复用的维度相似性分析 | 第44-60页 |
| 4.1 基于传统特征分析的科技数据相似维度组对匹配策略 | 第44-49页 |
| 4.1.1 科技数据集维度权重量化 | 第45-47页 |
| 4.1.2 基于传统特征分析的相似维度组对匹配算法 | 第47-49页 |
| 4.2 基于深度学习算法的科技数据相似维度组对匹配策略 | 第49-55页 |
| 4.2.1 科技数据集维度特征值量化 | 第50-53页 |
| 4.2.2 基于深度学习的科技数据维度组对相似匹配模型设计 | 第53-55页 |
| 4.3 实验设计与结果分析 | 第55-59页 |
| 4.3.1 实验数据与实验流程 | 第55-56页 |
| 4.3.2 结果分析 | 第56-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 科技数据复用模型的验证 | 第60-69页 |
| 5.1 相关工作 | 第61-62页 |
| 5.2 实验设计与数据实体复用分析 | 第62-65页 |
| 5.2.1 科技数据复用实验设计 | 第62页 |
| 5.2.2 科技数据实体关联映射分析 | 第62-63页 |
| 5.2.3 科技数据复用结果标准化和复用存储 | 第63-65页 |
| 5.3 复用数据指标评价与结果分析 | 第65-68页 |
| 5.3.1 实验评价指标 | 第65-66页 |
| 5.3.2 实验结果与分析 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第76页 |
