| 摘要 | 第4-7页 |
| ABSTRACT | 第7-10页 |
| 符号说明 | 第14-15页 |
| 英文缩略语 | 第15-16页 |
| 第一章 绪论 | 第16-27页 |
| 1.1 研究背景 | 第16-20页 |
| 1.2 本文的主要工作 | 第20-25页 |
| 1.2.1 基于三分支神经网络的知识图谱分布式表示 | 第21-22页 |
| 1.2.2 基于伪孪生网络的知识图谱分布式表示 | 第22-23页 |
| 1.2.3 基于泛化循环神经网络的图嵌入技术 | 第23-24页 |
| 1.2.4 基于子图相似性的知识图谱分布式表示框架 | 第24-25页 |
| 1.3 本文的组织结构 | 第25-27页 |
| 第二章 知识图谱分布式表示基础理论与研究现状 | 第27-44页 |
| 2.1 分布式假说与分布式表示基础理论 | 第27-29页 |
| 2.2 基于翻译的方法 | 第29-38页 |
| 2.2.1 基于超平面与空间变换的优化 | 第30-32页 |
| 2.2.2 放松约束条件的优化 | 第32-33页 |
| 2.2.3 基于异质辅助信息的优化 | 第33-37页 |
| 2.2.4 基于高斯向量的优化 | 第37页 |
| 2.2.5 基于异形空间的优化 | 第37-38页 |
| 2.3 双线性方法 | 第38-39页 |
| 2.4 基于神经网络的方法 | 第39-42页 |
| 2.4.1 基于线性神经网络的方法 | 第39-40页 |
| 2.4.2 基于非线性神经网络的方法 | 第40-41页 |
| 2.4.3 基于复杂神经网络的方法 | 第41-42页 |
| 2.5 图嵌入方法 | 第42-43页 |
| 2.6 本章小结 | 第43-44页 |
| 第三章 基于三分支神经网络的知识图谱分布式表示 | 第44-61页 |
| 3.1 引言 | 第44-46页 |
| 3.2 相关工作 | 第46-48页 |
| 3.3 模型框架 | 第48-52页 |
| 3.3.1 TBNN网络架构 | 第48-50页 |
| 3.3.2 损失函数 | 第50-51页 |
| 3.3.3 训练过程 | 第51-52页 |
| 3.4 实验分析 | 第52-59页 |
| 3.4.1 链接预测任务 | 第53-57页 |
| 3.4.2 三元组分类任务 | 第57-59页 |
| 3.5 本章小结 | 第59-61页 |
| 第四章 基于伪孪生网络的知识图谱分布式表示 | 第61-72页 |
| 4.1 引言 | 第61-62页 |
| 4.2 相关工作 | 第62-64页 |
| 4.3 模型架构 | 第64-68页 |
| 4.3.1 伪孪生网络结构 | 第64-65页 |
| 4.3.2 排序方法和训练目标函数 | 第65-67页 |
| 4.3.3 候选集采样方法 | 第67-68页 |
| 4.4 实验分析 | 第68-71页 |
| 4.4.1 参数设置 | 第68-69页 |
| 4.4.2 实体预测和关系预测 | 第69-71页 |
| 4.5 本章小结 | 第71-72页 |
| 第五章 基于泛化循环神经网络的图嵌入技术 | 第72-87页 |
| 5.1 引言 | 第72-74页 |
| 5.2 相关工作 | 第74-76页 |
| 5.2.1 神经网络在图数据上的泛化 | 第74-75页 |
| 5.2.2 图嵌入和知识图谱嵌入 | 第75-76页 |
| 5.3 G-RNN模型框架 | 第76-79页 |
| 5.3.1 子图抽取 | 第76-77页 |
| 5.3.2 G-RNN训练过程 | 第77-79页 |
| 5.4 G-RNN在知识图谱中的应用 | 第79-80页 |
| 5.5 实验分析 | 第80-86页 |
| 5.5.1 链接预测 | 第81-85页 |
| 5.5.2 节点分类 | 第85-86页 |
| 5.6 本章小结 | 第86-87页 |
| 第六章 基于子图相似性的知识图谱分布式表示框架 | 第87-105页 |
| 6.1 引言 | 第87-89页 |
| 6.2 相关工作 | 第89-90页 |
| 6.3 模型框架 | 第90-96页 |
| 6.3.1 问题描述 | 第90-92页 |
| 6.3.2 序列嵌入向量计算 | 第92-94页 |
| 6.3.3 训练目标函数 | 第94-96页 |
| 6.4 实验分析 | 第96-101页 |
| 6.4.1 实验数据集 | 第96-97页 |
| 6.4.2 链接预测 | 第97-100页 |
| 6.4.3 实体分类 | 第100页 |
| 6.4.4 子序列独立依赖性的实例分析 | 第100-101页 |
| 6.5 基于注意力机制的子图相似性计算与结果分析 | 第101-103页 |
| 6.6 本章小结 | 第103-105页 |
| 第七章 总结与展望 | 第105-109页 |
| 7.1 本文的主要贡献 | 第105-107页 |
| 7.2 未来工作展望 | 第107-109页 |
| 参考文献 | 第109-122页 |
| 致谢 | 第122-124页 |
| 攻读期间发表的学术论文 | 第124页 |