基于多源信息融合的知识表示学习及应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15-17页 |
| 1.2 国内外研究现状及挑战 | 第17-18页 |
| 1.3 本文主要工作 | 第18-19页 |
| 1.4 本文组织结构 | 第19-21页 |
| 第二章 相关概念及研究工作 | 第21-37页 |
| 2.1 知识表示学习 | 第21-28页 |
| 2.1.1 知识表示学习定义 | 第21页 |
| 2.1.2 知识图谱补全任务 | 第21-22页 |
| 2.1.3 翻译模型TransE | 第22-23页 |
| 2.1.4 基于结构信息的表示学习模型 | 第23-25页 |
| 2.1.5 融合多源信息的知识表示学习模型 | 第25-28页 |
| 2.2 推荐系统研究近况 | 第28-32页 |
| 2.3 CTR预估 | 第32-36页 |
| 2.3.1 CTR预估任务定义及评测指标 | 第32-33页 |
| 2.3.2 传统CTR预估模型 | 第33-34页 |
| 2.3.3 CTR预估研究近况 | 第34-36页 |
| 2.4 本章小结 | 第36-37页 |
| 第三章 融合实体主题信息的知识表示学习方法 | 第37-46页 |
| 3.1 研究动机 | 第37-39页 |
| 3.2 融合实体主题信息的知识表示方法ETRL | 第39-43页 |
| 3.2.1 模型定义及整体框架 | 第39-40页 |
| 3.2.2 实体主题信息学习 | 第40-41页 |
| 3.2.3 三元组结构信息学习 | 第41-42页 |
| 3.2.4 损失函数定义和模型训练 | 第42-43页 |
| 3.3 实验与评测 | 第43-45页 |
| 3.3.1 数据集选择 | 第43页 |
| 3.3.2 实验准备和参数设置 | 第43页 |
| 3.3.3 实验结果分析 | 第43-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 融合知识表示学习的CTR预估 | 第46-53页 |
| 4.1 研究动机 | 第46-48页 |
| 4.2 方法流程框架 | 第48-50页 |
| 4.3 实验设计与结果分析 | 第50-52页 |
| 4.3.1 实验数据 | 第50页 |
| 4.3.2 实验结果与分析 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 知识管理系统KGPlus | 第53-63页 |
| 5.1 KGPlus系统结构设计 | 第53-54页 |
| 5.2 KGPlus系统开发环境及平台 | 第54页 |
| 5.3 KGPlus系统详细设计与实现 | 第54-62页 |
| 5.3.1 存储层 | 第54-55页 |
| 5.3.2 计算层 | 第55-57页 |
| 5.3.3 服务层 | 第57-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结和展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录一 作者攻读硕士学位期间发表的学术论文 | 第70页 |
| 附录二 作者攻读硕士学位期间参与的科研项目 | 第70-71页 |
| 致谢 | 第71页 |
