| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的研究目标及内容 | 第14页 |
| 1.4 本文的层次结构安排 | 第14-15页 |
| 第二章 相关技术背景及算法 | 第15-29页 |
| 2.1 相关机器学习算法 | 第15页 |
| 2.2 逻辑回归分类 | 第15-18页 |
| 2.3 支持向量机 | 第18-20页 |
| 2.4 K-MEANS聚类 | 第20-21页 |
| 2.5 谱聚类 | 第21-22页 |
| 2.6 自然语言处理算法 | 第22-27页 |
| 2.6.1 词向量 | 第22-23页 |
| 2.6.2 统计语言模型 | 第23-25页 |
| 2.6.3 神经网络语言模型 | 第25-27页 |
| 2.7 相似度 | 第27-28页 |
| 2.7.1 欧氏距离(Euclideandistance) | 第27页 |
| 2.7.2 余弦相似度(Cosinesimilaritycoefficient) | 第27-28页 |
| 2.7.3 杰卡德相似系数(Jaccardsimilaritycoefficient) | 第28页 |
| 2.8 本章小结 | 第28-29页 |
| 第三章 问题定义与数据预处理 | 第29-35页 |
| 3.1 研究问题定义 | 第29页 |
| 3.2 语料收集 | 第29-30页 |
| 3.3 数据预处理 | 第30页 |
| 3.4 词向量模型训练 | 第30-32页 |
| 3.4.1 CBOW模型训练 | 第31-32页 |
| 3.4.2 Skip模型训练 | 第32页 |
| 3.4.3 GloVe模型训练 | 第32页 |
| 3.5 训练集与测试集数据 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 第四章 关系预测模型 | 第35-49页 |
| 4.1 聚类优先预测模型 | 第35-37页 |
| 4.1.1 方案流程 | 第36-37页 |
| 4.1.2 模型训练 | 第37页 |
| 4.2 分类优先预测模型 | 第37-41页 |
| 4.2.1 方案流程 | 第38-39页 |
| 4.2.2 模型训练 | 第39-41页 |
| 4.2.3 负采样 | 第41页 |
| 4.3 自动挖掘整体部分关系 | 第41-44页 |
| 4.3.1 自动挖掘第一层整体部分关系 | 第42-43页 |
| 4.3.2 自动挖掘第二层整体部分关系 | 第43页 |
| 4.3.3 分段预测 | 第43页 |
| 4.3.4 网络数据补充 | 第43-44页 |
| 4.3.5 负采样 | 第44页 |
| 4.4 模型组合优化 | 第44-46页 |
| 4.4.1 Skip+Cbow | 第45页 |
| 4.4.2 Skip+GloVe与Cbow+GloVe | 第45-46页 |
| 4.4.3 Skip+Cbow+GloVe | 第46页 |
| 4.5 交叉验证 | 第46页 |
| 4.6 评价指标 | 第46-48页 |
| 4.7 本章小结 | 第48-49页 |
| 第五章 实验结果分析 | 第49-67页 |
| 5.1 试验环境 | 第49页 |
| 5.2 聚类优先预测模型 | 第49-57页 |
| 5.2.1 相关参数设定 | 第49-50页 |
| 5.2.2 预测结果分析 | 第50-57页 |
| 5.3 分类优先预测模型 | 第57-62页 |
| 5.3.1 相关参数设定 | 第57-58页 |
| 5.3.2 负采样相关设置 | 第58-60页 |
| 5.3.3 预测结果分析 | 第60-62页 |
| 5.4 自动挖掘整体部分关系 | 第62-64页 |
| 5.4.1 相关参数设定 | 第62-63页 |
| 5.4.2 预测结果分析 | 第63-64页 |
| 5.5 模型组合优化 | 第64-66页 |
| 5.5.1 相关参数设定 | 第65页 |
| 5.5.2 预测结果分析 | 第65-66页 |
| 5.6 本章小结 | 第66-67页 |
| 第六章 结束语 | 第67-70页 |
| 6.1 全文总结 | 第67-68页 |
| 6.2 不足与展望 | 第68-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75页 |
