知识图谱中语义路径组合关系的推理算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 论文主要研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 2 相关理论和技术 | 第19-28页 |
| 2.1 知识图谱概述 | 第19-21页 |
| 2.2 表示学习简介 | 第21-22页 |
| 2.3 嵌入表示模型 | 第22-25页 |
| 2.3.1 TransE模型 | 第23页 |
| 2.3.2 TransH模型 | 第23-24页 |
| 2.3.3 TransR模型 | 第24-25页 |
| 2.4 强化学习介绍 | 第25-26页 |
| 2.5 神经网络模型 | 第26页 |
| 2.5.1 RNN结构 | 第26页 |
| 2.6 本章小结 | 第26-28页 |
| 3 知识图谱中基于强化学习的路径发现过程 | 第28-37页 |
| 3.1 引言 | 第28页 |
| 3.2 强化学习模型概述 | 第28-31页 |
| 3.2.1 强化学习分类 | 第29-30页 |
| 3.2.2 强化学习基本原理介绍 | 第30页 |
| 3.2.3 马尔科夫决策过程 | 第30-31页 |
| 3.3 强化学习路径发现算法 | 第31-36页 |
| 3.3.1 算法思想 | 第31-32页 |
| 3.3.2 环境建模 | 第32-33页 |
| 3.3.3 策略网络的设置 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 4 融合路径实体信息 | 第37-45页 |
| 4.1 引言 | 第37页 |
| 4.2 联合实体关系的有效性 | 第37-38页 |
| 4.3 RNN模型 | 第38-41页 |
| 4.3.1 循环神经网络的前向传播过程 | 第39-40页 |
| 4.3.2 损失函数的定义 | 第40页 |
| 4.3.3 循环神经网络的反向传播 | 第40-41页 |
| 4.4 实体关系向量组合模型P-RNN | 第41-43页 |
| 4.4.1 模型结构 | 第41-42页 |
| 4.4.2 模型设计 | 第42-43页 |
| 4.4.3 训练过程 | 第43页 |
| 4.5 实验安排 | 第43页 |
| 4.6 本章小结 | 第43-45页 |
| 5 实验验证 | 第45-53页 |
| 5.1 实验平台及数据集 | 第45-46页 |
| 5.2 参数设置 | 第46页 |
| 5.3 P-RNN模型实验结果及分析 | 第46-47页 |
| 5.4 知识图谱中组合语义路径的关系推理实验 | 第47-52页 |
| 5.4.1 评价指标 | 第48页 |
| 5.4.2 实验结果分析 | 第48-52页 |
| 5.4.3 时间复杂度分析 | 第52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 论文总结与展望 | 第53-55页 |
| 6.1 论文总结 | 第53-54页 |
| 6.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
| 作者简历及攻读硕士学位期间的科研成果 | 第60-61页 |
