社交標(biāo)簽上下位關(guān)系發(fā)現(xiàn)方法的研究與實(shí)現(xiàn)
發(fā)布時(shí)間：2021-11-15 02:59
隨著Web 2.0網(wǎng)站的普及,一種新型的萬維網(wǎng)信息分類—Folksonomy開始應(yīng)用到越來越多的萬維網(wǎng)系統(tǒng)中。Folksonomy是一種未經(jīng)規(guī)范的,開放的分類體系,允許用戶通過使用任何與資源相關(guān)的社交標(biāo)簽標(biāo)注萬維網(wǎng)上的資源來對(duì)萬維網(wǎng)資源進(jìn)行分類,并且用戶可以共享這些社交標(biāo)簽。由于Folksonomy是一種平面化的分類方式,沒有層次結(jié)構(gòu)的劃分,無法識(shí)別各個(gè)標(biāo)簽之間的層次聯(lián)系。而層次結(jié)構(gòu)的缺乏導(dǎo)致社交標(biāo)簽之間缺乏相關(guān)性,使得在資源導(dǎo)航和信息檢索等任務(wù)中查找信息的準(zhǔn)確度較低。對(duì)于社交標(biāo)簽之間層次關(guān)系的缺失問題,可通過構(gòu)建社交標(biāo)簽層次結(jié)構(gòu)來建立標(biāo)簽之間的層次聯(lián)系。對(duì)于此問題的研究普遍采用社交標(biāo)簽與本體映射的方法,借助本體構(gòu)建社交標(biāo)簽的層次結(jié)構(gòu)。但社交標(biāo)簽具有動(dòng)態(tài)更新特性能,在Folksonomy中會(huì)出現(xiàn)很多與當(dāng)前熱點(diǎn)相關(guān)的新詞,而這些新詞在本體是不會(huì)預(yù)先存在,因此這部分新詞無法利用與本體映射的方式去獲取標(biāo)簽之間的層次聯(lián)系。針對(duì)以上問題,本文不再依賴本體,從Folksonomy社交標(biāo)簽數(shù)據(jù)的本身出發(fā)來構(gòu)建其層次結(jié)構(gòu),而社交標(biāo)簽之間的上下位關(guān)系是組成其層次結(jié)構(gòu)的基礎(chǔ),因此本文致力于發(fā)現(xiàn)社交標(biāo)簽之間...
【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：56 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
標(biāo)簽云在Folksonomy中會(huì)出現(xiàn)很多與當(dāng)前熱點(diǎn)相關(guān)的詞語，這些詞語是新創(chuàng)造出來的，以前不存在的詞語，例
定長(zhǎng)的連續(xù)且稠密的實(shí)數(shù)向量，例如：[0.23, 0.18, 0.54,0.37, 0.28,...]。維度一般采 維。DistributedRepresentation 的優(yōu)勢(shì)主要有兩點(diǎn)，可以表述詞之間的相似關(guān)系，不存的現(xiàn)象；此外詞向量能夠包含更多信息，并且每一維都有特定的含義。關(guān)詞向量模型介紹介紹和本文最相關(guān)的 3 個(gè)詞向量模型，分別是 Word2vec 模型、DynamicDistance-Maramic Weighting Neural Network 模型ec2vec 由 Google 的 TomasMikolov[23,24]于 2013 年提出，Word2vec 模型通過淺層神經(jīng)網(wǎng)據(jù)目標(biāo)詞預(yù)測(cè)上下文或者根據(jù)上下文預(yù)測(cè)目標(biāo)詞，最后得到了詞的分布式向量表示，著上下文的語義信息。Word2vec 模型有兩種，CBOW(ContinuousBag-of-WordsMode-gram 模型，如圖 2-2 所示，CBOW 模型和 Skip-gram 模型均包含輸入層，隱藏層和個(gè)模型互為鏡像。CBOW 模型通過上下文預(yù)測(cè)當(dāng)前詞，而 Skip-gram 模型則通過當(dāng)前文窗口內(nèi)的單詞。
第二章 背景知識(shí)c Distance-Margin model (DDM)人[26]于 2015 年提出 DynamicDistance-Margin(DDM)模型，該模型對(duì)上下位關(guān)詞向量。由于上下位關(guān)系不是一種對(duì)稱的關(guān)系，例如：對(duì)于上下位關(guān)系對(duì) anima上位詞，反之是不成立的，所以 DDM 模型對(duì)每個(gè)詞訓(xùn)練兩個(gè)詞向量 O(x)和 為下位詞時(shí)的向量，E(x)表示詞作為上位詞時(shí)的向量。模型的架構(gòu)如圖 2-3 所
【參考文獻(xiàn)】：
期刊論文
[1]國(guó)外Folksonomy應(yīng)用研究的前沿進(jìn)展及熱點(diǎn)分析[J]. 畢強(qiáng),王雨. 現(xiàn)代圖書情報(bào)技術(shù). 2013(Z1)
本文編號(hào)：3495891
【文章來源】：東南大學(xué)江蘇省 211工程院校 985工程院校 教育部直屬院校
【文章頁(yè)數(shù)】：56 頁(yè)
【學(xué)位級(jí)別】：碩士
【部分圖文】：
標(biāo)簽云在Folksonomy中會(huì)出現(xiàn)很多與當(dāng)前熱點(diǎn)相關(guān)的詞語，這些詞語是新創(chuàng)造出來的，以前不存在的詞語，例
定長(zhǎng)的連續(xù)且稠密的實(shí)數(shù)向量，例如：[0.23, 0.18, 0.54,0.37, 0.28,...]。維度一般采 維。DistributedRepresentation 的優(yōu)勢(shì)主要有兩點(diǎn)，可以表述詞之間的相似關(guān)系，不存的現(xiàn)象；此外詞向量能夠包含更多信息，并且每一維都有特定的含義。關(guān)詞向量模型介紹介紹和本文最相關(guān)的 3 個(gè)詞向量模型，分別是 Word2vec 模型、DynamicDistance-Maramic Weighting Neural Network 模型ec2vec 由 Google 的 TomasMikolov[23,24]于 2013 年提出，Word2vec 模型通過淺層神經(jīng)網(wǎng)據(jù)目標(biāo)詞預(yù)測(cè)上下文或者根據(jù)上下文預(yù)測(cè)目標(biāo)詞，最后得到了詞的分布式向量表示，著上下文的語義信息。Word2vec 模型有兩種，CBOW(ContinuousBag-of-WordsMode-gram 模型，如圖 2-2 所示，CBOW 模型和 Skip-gram 模型均包含輸入層，隱藏層和個(gè)模型互為鏡像。CBOW 模型通過上下文預(yù)測(cè)當(dāng)前詞，而 Skip-gram 模型則通過當(dāng)前文窗口內(nèi)的單詞。
第二章 背景知識(shí)c Distance-Margin model (DDM)人[26]于 2015 年提出 DynamicDistance-Margin(DDM)模型，該模型對(duì)上下位關(guān)詞向量。由于上下位關(guān)系不是一種對(duì)稱的關(guān)系，例如：對(duì)于上下位關(guān)系對(duì) anima上位詞，反之是不成立的，所以 DDM 模型對(duì)每個(gè)詞訓(xùn)練兩個(gè)詞向量 O(x)和 為下位詞時(shí)的向量，E(x)表示詞作為上位詞時(shí)的向量。模型的架構(gòu)如圖 2-3 所
【參考文獻(xiàn)】：
期刊論文
[1]國(guó)外Folksonomy應(yīng)用研究的前沿進(jìn)展及熱點(diǎn)分析[J]. 畢強(qiáng),王雨. 現(xiàn)代圖書情報(bào)技術(shù). 2013(Z1)
本文編號(hào)：3495891
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3495891.html
最近更新
教材專著
