輕量級領(lǐng)域本體自動構(gòu)建方法與應(yīng)用研究

第1章輕量級領(lǐng)域本體自動構(gòu)建的核心基礎(chǔ)
1.1 研究背景與意義 002
1.1.1 研究背景 -002
1.1.2 研究意義 005
1.2 國內(nèi)外研究現(xiàn)狀 006
1.2.1 領(lǐng)域本體的研究起源 006
1.2.2 領(lǐng)域本體的構(gòu)建準(zhǔn)則 007
1.2.3 領(lǐng)域本體的構(gòu)建語言 009
1.2.4 領(lǐng)域本體的構(gòu)建方法 011
1.2.5 研究現(xiàn)狀述評及分析 018
1.3 研究內(nèi)容與預(yù)期目標(biāo) 019
1.3.1主要研究對象 019
1.3.2 預(yù)期研究目標(biāo) 020
1.3.3 具體研究內(nèi)容 020
1.3.4 擬解決的關(guān)鍵問題 022
1.4 研究方法與技術(shù)路線 023
1.4.1 研究方法 023
1.4.2 技術(shù)路線 023
1.4.3 實驗方案 024
1.5 本書的組織結(jié)構(gòu) 025
1.6 本章小結(jié) 027
第2章相關(guān)深度學(xué)習(xí)理論與技術(shù)
2.1 深度學(xué)習(xí)的產(chǎn)生背景與發(fā)展現(xiàn)狀 030
2.1.1 產(chǎn)生背景 030
2.1.2 發(fā)展現(xiàn)狀 032
2.2 深度學(xué)習(xí)的代表性特征學(xué)習(xí)算法模型 034
2.2.1 傳統(tǒng)特征表示模型分析評價 034
2.2.2 深度置信網(wǎng)絡(luò)DBN 037
2.2.3 卷積神經(jīng)網(wǎng)絡(luò)CNN 038
2.2.4 遞歸神經(jīng)網(wǎng)絡(luò)RNN 039
2.2.5 長短期記憶網(wǎng)絡(luò)LSTM 041
2.3 深度學(xué)習(xí)的主流開源工具框架 042
2.3.1 詞嵌入生成工具 042
2.3.2 深度學(xué)習(xí)開發(fā)框架 044
2.3.3 深度學(xué)習(xí)預(yù)訓(xùn)練模型 045
2.3.4 大規(guī)模語言模型 048
2.4 本體構(gòu)建相關(guān)的深度學(xué)習(xí)案例分析 050
2.5 深度學(xué)習(xí)面臨的挑戰(zhàn)及能力拓展方法 052
2.5.1 面臨的挑戰(zhàn)及問題 052
2.5.2 應(yīng)用能力拓展方法 055
2.6 本章小結(jié) 057
第3章領(lǐng)域本體深度學(xué)習(xí)語料的自動獲取與預(yù)處理
3.1 相關(guān)工作基礎(chǔ)與研究框架設(shè)計 060
3.2 領(lǐng)域本體深度學(xué)習(xí)語料的自動獲取 061
3.2.1 語料的不同類型、來源與作用分析 061
3.2.2 多源異構(gòu)領(lǐng)域語料的自動獲取方法設(shè)計 063
3.3 領(lǐng)域基礎(chǔ)知識詞典的自動構(gòu)建 068
3.4 領(lǐng)域文本的自動分詞與新詞發(fā)現(xiàn) 070
3.41 常見分詞方法及應(yīng)用問題分析 070
3.4.2 開源分詞工具測試與性能評估 071
3.4.3 多策略混合的自動分詞與新詞發(fā)現(xiàn)方法設(shè)計 075
3.5 本章小結(jié) 077
第4章輕量級領(lǐng)域本體概念的自動獲取
4.1 相關(guān)工作基礎(chǔ)與研究框架設(shè)計 080
4.1.1 傳統(tǒng)概念獲取方法及問題分析 080
4.1.2 概念自動獲取的研究框架設(shè)計 081
4.2 領(lǐng)域文本特征詞嵌入模型的自動生成 083
4.2.1 幾種主流詞嵌入模型的對比分析 083
4.2.2 基于Word2Vec的詞嵌入模型訓(xùn)練與優(yōu)化 085
4.3 輕量級領(lǐng)域本體概念自動抽取模型的構(gòu)建 090
4.3.1 基于IOB標(biāo)記格式的術(shù)語分類序列標(biāo)注 090
4.3.2 基于自注意力機(jī)制的BLSTM-CRF模型構(gòu)建 092
4.4 輕量級領(lǐng)域本體概念自動獲取的實驗應(yīng)用 -095
4.4.1 概念獲取的實驗數(shù)據(jù)集的獲取與預(yù)處理 095
4.4.2 概念獲取的實驗方法、工具與關(guān)鍵過程 097
4.4.3 概念獲取的實驗?zāi)Ｐ偷脑u估與結(jié)果分析 098
4.5 本章小結(jié) 099
第5章輕量級領(lǐng)域本體分類關(guān)系的自動識別
5.1 相關(guān)工作基礎(chǔ)與研究框架設(shè)計 102
5.2 深度學(xué)習(xí)分類的關(guān)鍵技術(shù)與核心流程 105
5.2.1 常見分類模式概述 105
5.2.2 主流分類模型分析 107
5.2.3 核心流程要素總結(jié) 109
5.3 輕量級領(lǐng)域本體分類關(guān)系自動識別模型的構(gòu)建 111
5.3.1  BERT 技術(shù)原理剖析 111
5.3.2 基于 BERT 的分類關(guān)系自動識別模型構(gòu)建 114
5.3.3 基于XLNet 的分類關(guān)系自動識別模型構(gòu)建 124
5.4 輕量級領(lǐng)域本體分類關(guān)系自動識別的實驗應(yīng)用 130
5.4.1 分類關(guān)系識別的實驗數(shù)據(jù)集的獲取與預(yù)處理 130
5.4.2 分類關(guān)系識別的實驗方法、工具與關(guān)鍵過程 132
5.4.3 分類關(guān)系識別的實驗?zāi)Ｐ偷脑u估與結(jié)果分析 135
5.5 本章小結(jié) 140
第6章輕量級領(lǐng)域本體非分類關(guān)系的自動識別
6.1 相關(guān)工作基礎(chǔ)與研究框架設(shè)計 142
6.1.1 非分類關(guān)系的基本定義與內(nèi)容 142
6.1.2 傳統(tǒng)非分類關(guān)系識別方法及問題分析 143
6.1.3 非分類關(guān)系識別的研究框架設(shè)計 145
6.2 輕量級領(lǐng)域本體上下位關(guān)系的自動識別 147
6.2.1 上下位關(guān)系自動識別的核心技術(shù)路線 147
6.2.2 基于擴(kuò)展Hearst模式的上下位關(guān)系自動識別 148
6.2.3 基于投影學(xué)習(xí)的上下位關(guān)系自動識別 151
6.2.4 模式和投影學(xué)習(xí)相結(jié)合的上下位關(guān)系自動識別 153
6.3 輕量級領(lǐng)域本體同義關(guān)系的自動識別 154
6.3.1 同義關(guān)系自動識別的核心技術(shù)路線 154
6.3.2 基于領(lǐng)域詞典/知識庫的同義關(guān)系自動識別 155
6.3.3 基于改進(jìn)CBOW詞嵌入的同義關(guān)系自動識別 156
6.3.4 領(lǐng)域詞典和CBOW相結(jié)合的同義關(guān)系自動識別 158
6.4 輕量級領(lǐng)域本體相關(guān)關(guān)系的自動識別 159
6.4.1 相關(guān)關(guān)系自動識別的核心技術(shù)路線 159
6.4.2 基于特征編碼編輯距離的相關(guān)關(guān)系自動識別 160
6.4.3 基于G1oVe 詞嵌入的相關(guān)關(guān)系自動識別 164
6.4.4 特征編輯距離和GloVe相結(jié)合的相關(guān)關(guān)系自動識別 167
6.5 輕量級領(lǐng)域本體非分類關(guān)系自動識別的實驗應(yīng)用 167
6.5.1 上下位關(guān)系的自動識別實驗應(yīng)用 167
6.5.2 同義關(guān)系的自動識別試驗應(yīng)用 174
6.5.3 相關(guān)關(guān)系的自動識別試驗應(yīng)用 176
6.6 本章小結(jié) 180
第7章 輕量級領(lǐng)域本體的自動存儲表示與服務(wù)應(yīng)用
7.1 相關(guān)工作基礎(chǔ)與研究框架設(shè)計 182
7.2 輕量級領(lǐng)域本體的自動存儲表示方法 184
7.2.1 代表性的自動存儲表示模式分析評價 184
7.2.2 RDB與GDB相結(jié)合的自動存儲表示方法設(shè)計 187
7.3 輕量級領(lǐng)域本體的自動服務(wù)應(yīng)用策略 189
7.3.1 代表性的自動服務(wù)應(yīng)用模式分析評價 189
7.3.2 基于 RESTful API的自動服務(wù)應(yīng)用策略設(shè)計 193
7.4 實證：以資源環(huán)境領(lǐng)域為例 195
7.4.1 自動存儲表示實證 196
7.4.2 自動服務(wù)應(yīng)用實證 200
7.5 本章小結(jié) 206
第8章總結(jié)與展望
8.1 研究工作總結(jié) 208
8.2 研究的創(chuàng)新點 210
8.3 未來研究計劃 212
參考文獻(xiàn) 217