| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 缩略词表 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景 | 第12-13页 |
| 1.2 相关研究现状 | 第13-15页 |
| 1.2.1 基于语言模板匹配的方法 | 第13页 |
| 1.2.2 基于特征工程的方法 | 第13页 |
| 1.2.3 基于分布式模型的方法 | 第13-14页 |
| 1.2.4 基于词向量模型的方法 | 第14-15页 |
| 1.3 研究内容 | 第15页 |
| 1.4 本文结构安排 | 第15-16页 |
| 第二章 背景知识 | 第16-28页 |
| 2.1 Folksonomy | 第16-17页 |
| 2.2 社交标签上下位关系定义 | 第17页 |
| 2.3 相关词向量模型介绍 | 第17-23页 |
| 2.3.1 词向量介绍 | 第17-18页 |
| 2.3.2 相关词向量模型介绍 | 第18-23页 |
| 2.4 机器学习分类模型介绍 | 第23-26页 |
| 2.4.1 SVM | 第24-25页 |
| 2.4.2 随机森林 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 Dynamic Tag Similarity Neural Network 模型 | 第28-34页 |
| 3.1 模型架构介绍 | 第28-30页 |
| 3.2 数据预处理 | 第30-31页 |
| 3.3 标签相似度计算 | 第31页 |
| 3.4 训练数据 | 第31-33页 |
| 3.5 标签向量模型训练 | 第33页 |
| 3.6 词向量获取 | 第33页 |
| 3.7 本章小结 | 第33-34页 |
| 第四章 基于DTSNN的社交标签上下位关系发现模型 | 第34-38页 |
| 4.1 模型框架设计 | 第34页 |
| 4.2 分类模型设计 | 第34-36页 |
| 4.2.1 社交标签对特征向量构建 | 第34-35页 |
| 4.2.2 分类模型训练 | 第35-36页 |
| 4.2.3 社交标签上下位关系预测 | 第36页 |
| 4.3 本章小结 | 第36-38页 |
| 第五章 实验与评估 | 第38-46页 |
| 5.1 实验环境 | 第38页 |
| 5.2 实验设计 | 第38-41页 |
| 5.2.1 实验数据集介绍 | 第38-39页 |
| 5.2.2 实验评价方式 | 第39-40页 |
| 5.2.3 实验对比方法 | 第40-41页 |
| 5.2.4 模型参数设置 | 第41页 |
| 5.3 实验结果与分析 | 第41-44页 |
| 5.3.1 词向量维度对上下位关系发现的影响 | 第41-42页 |
| 5.3.2 分类模型对上下位关系发现的影响 | 第42-43页 |
| 5.3.3 与对比方法的对比实验 | 第43-44页 |
| 5.4 本章小结 | 第44-46页 |
| 第六章 社交标签上下位关系发现系统设计与实现 | 第46-52页 |
| 6.1 系统框架设计 | 第46-47页 |
| 6.1.1 数据层 | 第47页 |
| 6.1.2 业务层 | 第47页 |
| 6.1.3 交互层 | 第47页 |
| 6.2 系统实现和界面展示 | 第47-50页 |
| 6.2.1 系统开发环境和工具 | 第47-48页 |
| 6.2.2 系统运行界面 | 第48-50页 |
| 6.3 本章小结 | 第50-52页 |
| 第七章 总结与展望 | 第52-54页 |
| 7.1 工作总结 | 第52页 |
| 7.2 未来展望 | 第52-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-56页 |