| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第18-30页 |
| 1.1 研究背景与意义 | 第18-19页 |
| 1.1.1 研究背景 | 第18页 |
| 1.1.2 研究意义 | 第18-19页 |
| 1.2 研究问题 | 第19页 |
| 1.3 国内外研究现状 | 第19-26页 |
| 1.3.1 网络信息可信度测度 | 第19-20页 |
| 1.3.2 知识图谱构建 | 第20-26页 |
| 1.3.3 研究不足与改进 | 第26页 |
| 1.4 研究内容及方法 | 第26-29页 |
| 1.4.1 研究内容及框架 | 第26-27页 |
| 1.4.2 研究方法及技术路线图 | 第27-29页 |
| 1.4.3 创新点 | 第29页 |
| 1.5 本章小结 | 第29-30页 |
| 第2章 知识图谱概述 | 第30-36页 |
| 2.1 知识图谱的相关概念 | 第30-32页 |
| 2.1.1 科学知识图谱的概念 | 第30页 |
| 2.1.2 知识图谱的概念 | 第30-32页 |
| 2.2 知识图谱的功能 | 第32-33页 |
| 2.2.1 知识图谱的特点以及优势 | 第32-33页 |
| 2.2.2 知识图谱的应用 | 第33页 |
| 2.3 知识图谱的构建流程 | 第33-34页 |
| 2.4 基于语义网和知识库发展的知识图谱(KG)的研究现状 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 第3章 基于专家性用户经验构建知识图谱 | 第36-52页 |
| 3.1 基于文本聚类及共现分析的知识图谱构建模型 | 第36-40页 |
| 3.1.1 文本预处理 | 第37-38页 |
| 3.1.2 基于领域专家性用户经验的同质网络聚类 | 第38-39页 |
| 3.1.2.1 计算词间相似度 | 第38-39页 |
| 3.1.2.2 同质网络聚类算法 | 第39页 |
| 3.1.3 基于领域专家性用户经验的异质网络聚类 | 第39-40页 |
| 3.2 基于Purity和Entropy的聚类评价模型 | 第40-41页 |
| 3.2.1 Purity—聚类纯度 | 第41页 |
| 3.2.2 Entropy—熵值 | 第41页 |
| 3.3 实验验证 | 第41-49页 |
| 3.3.1 数据来源及预处理 | 第41-42页 |
| 3.3.2 基于同质网络聚类知识图谱构建可视化 | 第42-47页 |
| 3.3.2.1 高血压症状样本数据知识图谱 | 第42-45页 |
| 3.3.2.2 高血压治疗方案样本数据知识图谱 | 第45-47页 |
| 3.3.3 基于异质网络聚类知识图谱构建可视化 | 第47-49页 |
| 3.4 实验结果分析与评价 | 第49-51页 |
| 3.4.1 结果分析 | 第49页 |
| 3.4.2 结果评价 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第4章 基于大众性用户体验构建知识图谱 | 第52-64页 |
| 4.1 基于文本聚类及共现分析的知识图谱构建模型 | 第52-53页 |
| 4.1.1 基于社交媒体平台大众性用户体验的同质网络聚类 | 第52-53页 |
| 4.1.1.1 TF-IDF值计算 | 第52页 |
| 4.1.1.2 词间相似度计算 | 第52-53页 |
| 4.1.2 基于社交媒体平台大众性用户体验的异质网络聚类 | 第53页 |
| 4.2 实验验证 | 第53-61页 |
| 4.2.1 数据来源及预处理 | 第53-54页 |
| 4.2.2 基于同质网络聚类知识图谱构建可视化 | 第54-59页 |
| 4.2.2.1 高血压症状样本数据知识图谱 | 第54-56页 |
| 4.2.2.2 治疗方案样本数据知识图谱 | 第56-59页 |
| 4.2.3 基于异质网络聚类知识图谱构建可视化 | 第59-61页 |
| 4.3 实验结果与评价 | 第61-63页 |
| 4.3.1 结果分析 | 第61-62页 |
| 4.3.2 结果评价 | 第62-63页 |
| 4.4 本章小结 | 第63-64页 |
| 第5章 基于KL散度的网络信息可信度测度 | 第64-74页 |
| 5.1 基于KL散度进行文本分类的可行性及合理性 | 第64页 |
| 5.2 基于KL散度的文本分类模型 | 第64-65页 |
| 5.2.1 基于KL散度的相似度计算 | 第64-65页 |
| 5.2.2 基于KL散度的文本分类 | 第65页 |
| 5.3 阈值设定及评价指标 | 第65-66页 |
| 5.4 实验验证 | 第66-72页 |
| 5.4.1 词语的KL值及结果排列 | 第66-69页 |
| 5.4.1.1 高血压症状 | 第67-68页 |
| 5.4.1.2 高血压治疗方案 | 第68-69页 |
| 5.4.2 不同阈值设定对分类结果影响 | 第69-70页 |
| 5.4.2.1 高血压症状 | 第69页 |
| 5.4.2.2 高血压治疗方案 | 第69-70页 |
| 5.4.3 最佳阈值设定的分类结果 | 第70-72页 |
| 5.4.3.1 高血压症状 | 第70-71页 |
| 5.4.3.2 高血压治疗方案 | 第71-72页 |
| 5.5 实验结果分析 | 第72页 |
| 5.6 本章小结 | 第72-74页 |
| 总结与展望 | 第74-76页 |
| 研究成果 | 第74-75页 |
| 研究展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 附录 | 第80-84页 |
| 附录1 3.3专家性用户数据的部分记录 | 第80-81页 |
| 附录2 4.2社交网站用户数据的部分记录 | 第81-82页 |
| 附录3 5.3基于KL散度构建分类模型的部分数据 | 第82-83页 |
| 附录4 2-mode共现矩阵 | 第83-84页 |
| 攻读学位期间发表的论文 | 第84-86页 |
| 致谢 | 第86页 |
