基于低维向量空间的知识推理方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外相关研究和综述 | 第11-16页 |
| 1.2.1 知识表示学习方法 | 第11-13页 |
| 1.2.2 嵌入多源信息的知识表示学习方法 | 第13-15页 |
| 1.2.3 知识推理方法 | 第15-16页 |
| 1.3 问题的总结和分析 | 第16-17页 |
| 1.4 本文主要工作 | 第17-18页 |
| 1.5 本文组织结构 | 第18-19页 |
| 第2章 知识表示学习方法的相关基础知识 | 第19-27页 |
| 2.1 知识表示学习方法 | 第19-21页 |
| 2.1.1 知识图谱分布式表示定义 | 第20页 |
| 2.1.2 知识图谱表示学习经典过程 | 第20-21页 |
| 2.2 知识表示学习方法分类 | 第21-25页 |
| 2.2.1 基于三元组结构的知识表示学习方法 | 第22-23页 |
| 2.2.2 嵌入实体描述的知识表示学习方法 | 第23-25页 |
| 2.3 知识表示学习方法的评价方法 | 第25-26页 |
| 2.3.1 评价指标 | 第25-26页 |
| 2.3.2 时间性能分析 | 第26页 |
| 2.3.3 鲁棒性分析 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 嵌入实体描述的知识表示学习算法 | 第27-43页 |
| 3.1 引言 | 第27-28页 |
| 3.2 文档向量化模型 | 第28-31页 |
| 3.2.1 DOC2VEC模型 | 第28-29页 |
| 3.2.2 LSTM模型 | 第29-31页 |
| 3.3 算法设计实现与分析 | 第31-34页 |
| 3.3.1 RLCD算法的设计 | 第31-33页 |
| 3.3.2 RLCD算法的实现 | 第33-34页 |
| 3.4 对比实验 | 第34-39页 |
| 3.4.1 实验设计 | 第34-35页 |
| 3.4.2 实验数据 | 第35-36页 |
| 3.4.3 参数设置 | 第36页 |
| 3.4.4 实验结果与分析 | 第36-39页 |
| 3.5 结合LSTM技术的实验 | 第39-42页 |
| 3.5.1 实验设计 | 第39-41页 |
| 3.5.2 实验结果与分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 基于分布式表示的知识推理方法 | 第43-56页 |
| 4.1 引言 | 第43-44页 |
| 4.2 分布式表示知识推理方法分类 | 第44-47页 |
| 4.2.1 基于单个三元组的简单关系推理 | 第44-45页 |
| 4.2.2 基于多个三元组的复杂关系推理 | 第45-47页 |
| 4.3 向量空间中复杂关系推理方法 | 第47-49页 |
| 4.3.1 PTransE算法介绍 | 第47-48页 |
| 4.3.2 PTransE算法分析 | 第48-49页 |
| 4.4 基于实体描述和关系路径的知识推理方法 | 第49-51页 |
| 4.4.1 PRLCD算法的设计 | 第49-50页 |
| 4.4.2 PRLCD算法的实现 | 第50-51页 |
| 4.5 对比实验 | 第51-55页 |
| 4.5.1 实验设计 | 第51-52页 |
| 4.5.2 实验数据 | 第52页 |
| 4.5.3 实验结果与分析 | 第52-55页 |
| 4.6 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间发表的论文 | 第62-64页 |
| 致谢 | 第64页 |
