知識發(fā)現(xiàn)：科技文獻內(nèi)容挖掘技術研究

第1章 緒論
1.1 研究背景及問題提出
1.1.1 研究背景
1.1.2 問題的提出
1.2 國內(nèi)外研究概況
1.2.1 基于文獻內(nèi)容的知識發(fā)現(xiàn)
1.2.2 支持向量機
1.2.3 論文影響力預測
1.2.4 文本分類
1.2.5 領域框架語義網(wǎng)絡本體構建
第2章 學術論文影響力預測方法
2.1 樣本分析
2.2 基于支持向量機的學術論文影響力預測模型
2.2.1 模型參數(shù)的影響
2.2.2 模型的樣本特征值預處理及樣本非平衡敏感性
2.2.3 增量學習策略
2.2.4 樣本特征選擇
2.2.5 學科敏感性
2.3 與已有預測方法的比較
2.4 結論
2.5 小結
第3章 術語概念聚類策略
3.1 樣本特征及其分布情況
3.2 共詞綴詞術語概念聚類策略
3.2.1 算法描述及實驗
3.2.2 基于區(qū)分度的術語聚類停用詞算法
3.3 算法有效性評價及改進
3.4 結論
3.5 小結
第4章 基于區(qū)分度的文本分類技術
4.1 基于支持向量機的單分類器多分類方法
4.1.1 新類別在線訓練方法
4.1.2 基于類別區(qū)分度的特征選擇算法
4.1.3 術語同義聚類對文本分類效果的影響
4.1.4 基于特征向量及句子向量的組合文本分類方法
4.1.5 訓練樣本分類可靠性分析
4.2 系統(tǒng)分類①糾錯方法
4.3 結論
4.4 小結
第5章 領域框架語義網(wǎng)絡本體候選核心詞詞庫構建方法
5.1 領域框架語義網(wǎng)絡本體候選核心詞庫構建框架
5.2 基于領域?qū)Ｖ付鹊暮蜻x核心詞選擇方法
5.2.1 領域詞匯核心度
5.2.2 領域詞匯核聚度
5.2.3 基于文獻內(nèi)容共現(xiàn)網(wǎng)絡的新特征及新核心詞在線學習
5.3 基于語素的候選核心詞選擇方案
5.3.1 領域語素核心度
5.3.2 領域語素核聚度
5.3.3 基于語素特征權重的領域新特征詞判別方法
5.3.4 領域語素提取
5.4 領域框架語義網(wǎng)絡本體核心詞匯概念的層次、同位或等同關系挖掘
5.5 領域框架語義網(wǎng)絡本體核心詞匯概念的領域相關概念詞選擇
5.6 科技文獻領域框架設計
5.7 結論
5.8 小結
第6章 領域框架語義網(wǎng)絡本體例句庫構建方法
6.1 領域框架語義網(wǎng)絡本體候選例句庫構建框架
6.2 科技論文領域框架語義網(wǎng)絡本體候選例句選擇方法
6.3 基于框架詞元正則表達式的例句標注方法
6.4 領域框架語義網(wǎng)絡本體語義配價模板構建方法
6.5 例句有效性的評價方法
6.6 結論
6.7 小結
第7章 領域框架語義網(wǎng)絡本體庫構建及其應用
7.1 基于科技論文領域核心詞的框架語義網(wǎng)絡本體庫構建模式
7.2 導電塑料中文本體庫高水平科技文獻語料
7.3 導電塑料領域框架網(wǎng)絡核心詞匯
7.4 導電塑料領域框架網(wǎng)絡例句及配價模版
7.5 導電塑料專利文獻檢索系統(tǒng)
7.5.1 常見專利文獻檢索系統(tǒng)
7.5.2 基于領域框架語義網(wǎng)絡本體語義推理的文獻檢索系統(tǒng)
7.6 導電塑料領域框架語義網(wǎng)絡本體庫的適應性
7.6.1 技術路線圖概念
7.6.2 基于技術路線圖的技術子框架 以物質(zhì)制備為例
7.7 領域本體構建框架的動態(tài)更新機制
7.8 小結
參考文獻
附錄一：高水平論文預測模型實驗樣本示例
附錄二：提取當前記錄的高頻詞近鄰記錄關鍵代碼
附錄三：特征項的區(qū)分度計算
附錄四：類別特征向量生成算法程序
附錄五：關鍵詞聚類算法
附錄六：中科院分詞系統(tǒng)的基于SQL Server的ICTCLAS批處理程序（C#）
附錄七：支持向量機批應用程序