| 摘要 | 第1-6页 |
| Abstract | 第6-17页 |
| 第1章 绪论 | 第17-33页 |
| ·课题背景 | 第17-26页 |
| ·文档的网络(Web) | 第17-18页 |
| ·语义网(Semantic Web) | 第18-19页 |
| ·超数据(Hyperdata)、数据网络(Data Web) | 第19-24页 |
| ·集成数据挖掘与超数据 | 第24-26页 |
| ·研究目的和意义 | 第26-29页 |
| ·主要研究内容和创新 | 第29-31页 |
| ·本文组织结构 | 第31-33页 |
| 第2章 研究基础与现状 | 第33-51页 |
| ·超数据集成挖掘的数据准备工作综述 | 第34-42页 |
| ·超数据获取:从互联网数据获取超数据 | 第34-37页 |
| ·超数据集成:多个超数据源的模式集成和实体识别 | 第37-42页 |
| ·超数据挖掘方法综述 | 第42-45页 |
| ·大规模超数据的挖掘方法综述 | 第45-47页 |
| ·研究现状小结 | 第47-49页 |
| ·本章小结 | 第49-51页 |
| 第3章 超数据获取:一种基于领域本体的从文本获取超数据图的方法 | 第51-72页 |
| ·本体图、语义图、超数据图的定义 | 第51-53页 |
| ·本体(Ontology)图的定义和表示 | 第51-52页 |
| ·语义图、超数据图的定义和表示 | 第52-53页 |
| ·问题的描述 | 第53-55页 |
| ·方法的概述 | 第55-56页 |
| ·超数据节点识别 | 第56-57页 |
| ·超数据图结构(频繁模式)挖掘 | 第57-61页 |
| ·超数据图的识别 | 第61-68页 |
| ·超数据之间语义关系的识别 | 第61-66页 |
| ·超数据图的合成 | 第66-68页 |
| ·实验结果和系统展示 | 第68-71页 |
| ·本章小结 | 第71-72页 |
| 第4章 超数据集成:一种基于语义的多个超数据源糅合方法 | 第72-90页 |
| ·问题的描述 | 第72-73页 |
| ·方法的概述 | 第73-74页 |
| ·基于语义映射的模式集成方法 | 第74-77页 |
| ·可视化语义映射工具 | 第77-80页 |
| ·工具介绍和展示 | 第77-79页 |
| ·案例介绍 | 第79-80页 |
| ·基于语义推理和文本挖掘的超数据实体识别方法 | 第80-84页 |
| ·基于逻辑推理规则的超数据实体识别方法 | 第81-82页 |
| ·基于数值相似度计算的实体识别算法 | 第82-84页 |
| ·案例:基于本体的多个社会网络糅合 | 第84-88页 |
| ·本章小节 | 第88-90页 |
| 第5章 超数据概念描述:一种基于语义图模板的概念描述方法 | 第90-103页 |
| ·问题的描述 | 第90-91页 |
| ·方法的概述 | 第91-92页 |
| ·特征提供:语义图模板的定义 | 第92-97页 |
| ·语义图模板的描述 | 第92-94页 |
| ·语义图模板的定义 | 第94-95页 |
| ·图形化定义工具 | 第95-97页 |
| ·比较描述:特征数据合并算法 | 第97-99页 |
| ·案例介绍 | 第99-102页 |
| ·本章小结 | 第102-103页 |
| 第6章 超数据挖掘方法:概率语义学习模型 | 第103-126页 |
| ·问题和方法概述 | 第103页 |
| ·概率语义学习模型 | 第103-110页 |
| ·模型定义 | 第103-105页 |
| ·特征变量定义 | 第105-107页 |
| ·特征变量依赖关系学习 | 第107-108页 |
| ·模型参数学习 | 第108-110页 |
| ·半监督学习方法 | 第110-112页 |
| ·案例:利用概率语义学习模型的语义关系预测 | 第112-125页 |
| ·基于概率语义学习模型的语义关系预测实验 | 第113-120页 |
| ·基于关系预测结果的推荐算法实验 | 第120-125页 |
| ·本章小结 | 第125-126页 |
| 第7章 基于Hadoop和Mapreduce大规模超数据挖掘原型系统 | 第126-151页 |
| ·系统架构 | 第126-127页 |
| ·大规模超数据存贮模块 | 第127-130页 |
| ·基于Mapreduce大规模超数据语义查询模块 | 第130-138页 |
| ·SPARQL到MapReduce任务计划的重写 | 第130-137页 |
| ·MapReduce任务计划的执行 | 第137-138页 |
| ·基于Mapreduce大规模超数据的概率语义学习 | 第138-149页 |
| ·基于Hadoop和MapReduce的网络结构学习 | 第139-147页 |
| ·基于Hadoop和MapReduce的模型参数学习 | 第147-149页 |
| ·本章小结 | 第149-151页 |
| 第8章 总结与展望 | 第151-155页 |
| ·全文总结 | 第151-153页 |
| ·未来工作展望 | 第153-155页 |
| 参考文献 | 第155-177页 |
| 作者简历 | 第177-178页 |
| 攻读学位期间主要的研究成果 | 第178-180页 |
| 致谢 | 第180-181页 |
