| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究意义 | 第11页 |
| 1.3 论文结构 | 第11-14页 |
| 第二章 上下文与本体相关概念综述 | 第14-24页 |
| 2.1 普适计算 | 第14页 |
| 2.1.1 普适计算的定义 | 第14页 |
| 2.1.2 普适计算的特点 | 第14页 |
| 2.2 上下文与上下文感知计算 | 第14-17页 |
| 2.2.1 上下文定义 | 第15页 |
| 2.2.2 上下文建模与表示 | 第15-16页 |
| 2.2.3 上下文信息特性 | 第16-17页 |
| 2.3 上下文感知中间件系统框架 | 第17-18页 |
| 2.3.1 上下文感知系统架构 | 第17-18页 |
| 2.3.2 本文重点研究模块 | 第18页 |
| 2.3.3 上下文采集 | 第18页 |
| 2.4 本体与本体库构建 | 第18-24页 |
| 2.4.1 本体以及本体的构成 | 第18-19页 |
| 2.4.2 本体学习的定义 | 第19-20页 |
| 2.4.3 本体特征概念提取 | 第20-22页 |
| 2.4.4 本体特征关系 | 第22-24页 |
| 第三章 基于上下文本体自动构建方法研究 | 第24-38页 |
| 3.1 本体学习及其基本流程 | 第24-26页 |
| 3.1.1 本体学习基本流程 | 第24-25页 |
| 3.1.2 传统本体学习方法的缺陷 | 第25-26页 |
| 3.2 OM-OC思想的提出 | 第26-27页 |
| 3.3 语义词汇上下文 | 第27-28页 |
| 3.4 基于上下文因素的本体学习思想 | 第28-30页 |
| 3.4.1 基于上下文环境信息的概念关系提取算法 | 第28-29页 |
| 3.4.2 基于上下文本体学习方法的新框架 | 第29-30页 |
| 3.5 分词与词性标注一体化模型 | 第30-36页 |
| 3.5.1 传统的基于统计语言模型分词方法 | 第31-32页 |
| 3.5.2 基于四元统计模型的分词与词性标注一体化方法 | 第32-36页 |
| 3.5.3 分词与词性标注一体化模型性能优势 | 第36页 |
| 3.6 本章总结 | 第36-38页 |
| 第四章 基于上下文本体自动构建流程设计 | 第38-60页 |
| 4.1 现有的本体构建方法 | 第38-39页 |
| 4.2 基于上下文的自动语义领域本体构建模型 | 第39-51页 |
| 4.2.1 CASDP系统模型 | 第39-41页 |
| 4.2.2 CASDP模型各模块详细设计描述 | 第41-51页 |
| 4.3 CASDP流程模型创新点 | 第51-52页 |
| 4.4 CASDP系统系能实验分析 | 第52-60页 |
| 4.4.1 系统性能衡量标准 | 第52-53页 |
| 4.4.2 建立语料库 | 第53页 |
| 4.4.3 领域本体特征概念提取 | 第53-57页 |
| 4.4.4 领域本体关系提取 | 第57-59页 |
| 4.4.5 实验总结 | 第59-60页 |
| 第五章 基于上下文因素及用户偏好的关联规则挖掘算法改进 | 第60-76页 |
| 5.1 关联规则挖掘 | 第60-61页 |
| 5.1.1 关联规则挖掘两个阶段 | 第61页 |
| 5.1.2 支持度、置信度 | 第61页 |
| 5.2 传统的关联规则算法及缺陷 | 第61-62页 |
| 5.3 基于上下文关联规则挖掘思想的提出 | 第62-64页 |
| 5.4 算法改进,基于上下文因素和用户偏好的关联规则挖掘算法 | 第64-71页 |
| 5.4.1 偏好支持度、偏好置信度 | 第64-67页 |
| 5.4.2 k-支持度阈值 | 第67-68页 |
| 5.4.3 基于上下文因素和偏好的关联规则挖掘算法 | 第68-71页 |
| 5.5 实验结果 | 第71-74页 |
| 5.6 本章总结 | 第74-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 致谢 | 第82-84页 |
| 攻读学位期间发表的学术论文目录 | 第84页 |
