知識(shí)圖譜用一種結(jié)構(gòu)化的方式存儲(chǔ)現(xiàn)實(shí)世界存在的知識(shí),由于其知識(shí)易于被計(jì)算機(jī)處理,因此在自然語(yǔ)言處理的許多任務(wù)中它都起著極其重要的作用。雖然從絕對(duì)數(shù)量上來(lái)看,現(xiàn)有知識(shí)圖譜已經(jīng)包含了海量的三元組事實(shí),但是與真實(shí)世界中存在的知識(shí)相比它遠(yuǎn)遠(yuǎn)不夠,因此如何完善知識(shí)圖譜成為目前的研究熱點(diǎn)。本文提出了一種基于非結(jié)構(gòu)化文本增強(qiáng)關(guān)聯(lián)規(guī)則的知識(shí)推理方法(Natural Language Enhanced Association Rules Mining,NEARM)。使用該規(guī)則可以將自然文本中包含的三元組事實(shí)推理出來(lái)用以完善知識(shí)圖譜。本文的工作有:1.為了從非結(jié)構(gòu)化的文本中抽取三元組事實(shí),本文使用密度峰值算法對(duì)關(guān)系文本聚類,其中涉及到的句子相似度計(jì)算使用改進(jìn)的LSWMD算法。為了提高算法效率,本文還利用基于K-BoD的文本聚類算法對(duì)其進(jìn)行改進(jìn)。2.為了將類簇建模為一個(gè)統(tǒng)一的表達(dá)方式放入到非結(jié)構(gòu)化關(guān)聯(lián)規(guī)則中,本文提出了改進(jìn)的BoD(BoD-GS,基于高斯分布的文本模式建模)和BoD-TDGS(基于二維高斯分布的文本模式建模)來(lái)建模關(guān)系文本。實(shí)驗(yàn)結(jié)果表明,較于BoD-GS,BoD-TDGS更為準(zhǔn)確合理。3.研究...

【文章頁(yè)數(shù)】：55 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究的背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 知識(shí)圖譜研究現(xiàn)狀
        1.2.2 知識(shí)圖譜完善研究現(xiàn)狀
    1.3 論文主要工作
    1.4 論文組織結(jié)構(gòu)
第2章 相關(guān)技術(shù)介紹
    2.1 句子聚類
    2.2 文本模式建模
    2.3 關(guān)系分類
    2.4 本章小結(jié)
第3章 非結(jié)構(gòu)化關(guān)聯(lián)規(guī)則抽取
    3.1 引言
    3.2 問題定義
    3.3 NEARM算法
        3.3.1 關(guān)系文本聚類
        3.3.2 文本模式建模
        3.3.3 非結(jié)構(gòu)化文本增強(qiáng)的關(guān)聯(lián)規(guī)則挖掘
    3.4 實(shí)驗(yàn)
        3.4.1 數(shù)據(jù)集描述及實(shí)驗(yàn)設(shè)置
        3.4.2 對(duì)比方法
        3.4.3 評(píng)估方法
        3.4.4 實(shí)驗(yàn)結(jié)果分析
        3.4.5 樣例分析
    3.5 本章小結(jié)
第4章 基于K-BoD文本聚類的NEARM算法
    4.1 引言
    4.2 K-BoD文本聚類算法
    4.3 基于二維高斯分布的文本模式建模
    4.4 實(shí)驗(yàn)和結(jié)果分析
        4.4.1 對(duì)比方法
        4.4.2 評(píng)估方法
        4.4.3 實(shí)驗(yàn)結(jié)果分析
        4.4.4 樣例分析
    4.5 仿真實(shí)驗(yàn)驗(yàn)證
        4.5.1 仿真實(shí)驗(yàn)?zāi)繕?biāo)
        4.5.2 仿真實(shí)驗(yàn)流程
        4.5.3 仿真實(shí)驗(yàn)結(jié)果展示
    4.6 本章小結(jié)
第5章 總結(jié)與展望
    5.1 主要工作與創(chuàng)新點(diǎn)
    5.2 后續(xù)研究工作
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3776814