知識圖譜研究與領(lǐng)域?qū)嵺`

目 錄\n
\n
第 1章 緒論 001\n
1．1 知識圖譜簡介 001\n
1．2 領(lǐng)域分層知識體系 003\n
參考文獻 004\n
第 2章 實體關(guān)系圖譜構(gòu)建技術(shù) 005\n
2．1 知識抽取 005\n
2．1．1 引言 005\n
2．1．2 相關(guān)工作 006\n
2．1．3 基于維基百科的知識抽取 010\n
2．1．4 水利空間關(guān)系詞識別與提取 014\n
2．1．5 面向領(lǐng)域知識圖譜的關(guān)系抽取 020\n
2．1．6 基于強化學(xué)習(xí)的關(guān)系抽取 031\n
2．1．7 基于聯(lián)合學(xué)習(xí)的實體關(guān)系抽取 039\n
2．1．8 總結(jié) 043\n
2．2 知識融合 044\n
2．2．1 引言 044\n
2．2．2 相關(guān)工作 044\n
2．2．3 基于多特征的實體消歧 051\n
2．2．4 基于詞典的屬性對齊 055\n
2．2．5 基于貝葉斯分析的屬性真值發(fā)現(xiàn) 056\n
2．2．6 實驗分析 060\n
2．2．7 總結(jié) 063\n
2．3 知識存儲 063\n
2．3．1 引言 063\n
2．3．2 相關(guān)工作 064\n
2．3．3 基于頻繁謂詞的擴展垂直劃分方法 065\n
2．3．4 基于頻繁謂詞樹的SPARQL查詢方法 069\n
2．3．5 基于混合存儲模式的分布式SPARQL查詢優(yōu)化 076\n
2．3．6 總結(jié) 084\n
參考文獻 084\n
第3章 事理圖譜構(gòu)建 091\n
3．1 事件和場景抽取 091\n
3．1．1 引言 091\n
3．1．2 相關(guān)工作 093\n
3．1．3 基于預(yù)訓(xùn)練模型的事件抽取 095\n
3．1．4 基于Bi-LG-LSTM神經(jīng)網(wǎng)絡(luò)的一元時間序列分割 101\n
3．1．5 基于滑動窗口采樣和DTWCorr度量方式的多元時間序列分割 107\n
3．1．6 總結(jié) 113\n
3．2 事件模式庫構(gòu)建 114\n
3．2．1 引言 114\n
3．2．2 相關(guān)工作 114\n
3．2．3 基于特征提取與選擇的多元時間序列聚類 115\n
3．2．4 基于子序列全連接的時間序列模體挖掘 122\n
3．2．5 基于時間序列關(guān)系的多元時間序列關(guān)聯(lián)規(guī)則挖掘 129\n
3．2．6 總結(jié) 135\n
3．3 事理規(guī)則挖掘 136\n
3．3．1 引言 136\n
3．3．2 相關(guān)工作 136\n
3．3．3 基于事理圖譜的時空場景事件演化成因分析 137\n
3．3．4 總結(jié) 144\n
參考文獻 144\n
第4章 業(yè)務(wù)主題圖譜構(gòu)建技術(shù) 149\n
4．1 層次主題挖掘技術(shù) 149\n
4．1．1 引言 149\n
4．1．2 相關(guān)工作 150\n
4．1．3 基于標(biāo)簽信息的文本主題層次挖掘模型 151\n
4．1．4 總結(jié) 160\n
4．2 動態(tài)主題挖掘技術(shù) 161\n
4．2．1 引言 161\n
4．2．2 相關(guān)研究 161\n
4．2．3 基于主題關(guān)聯(lián)度的動態(tài)主題演化路徑挖掘 162\n
4．2．4 總結(jié) 166\n
4．3 對象屬性挖掘技術(shù) 166\n
4．3．1 引言 166\n
4．3．2 相關(guān)工作 166\n
4．3．3 基于LDA和同義詞識別的對象屬性挖掘 167\n
4．3．4 總結(jié) 174\n
4．4 主題 要素關(guān)聯(lián)挖掘技術(shù) 174\n
4．4．1 引言 174\n
4．4．2 相關(guān)工作 174\n
4．4．3 基于文檔網(wǎng)絡(luò)圖的主題關(guān)鍵要素挖掘 176\n
4．4．4 總結(jié) 182\n
參考文獻 182\n
第5章 領(lǐng)域知識應(yīng)用 187\n
5．1 智能數(shù)據(jù)服務(wù)技術(shù)的應(yīng)用案例 187\n
5．1．1 引言 187\n
5．1．2 基于知識圖譜的多關(guān)系問答 188\n
5．1．3 水利領(lǐng)域知識圖譜可視化 197\n
5．1．4 基于知識圖譜的個性化推薦 204\n
5．1．5 面向基礎(chǔ)水利對象的多模態(tài)數(shù)據(jù)關(guān)聯(lián)與應(yīng)用 208\n
5．1．6 總結(jié) 214\n
5．2 智能決策支持的應(yīng)用案例 214\n
5．2．1 引言 214\n
5．2．2 基于時空特征模式庫的決策方案生成和優(yōu)化 214\n
5．2．3 基于事理圖譜演化模式的反向成因分析 227\n
5．2．4 總結(jié) 230\n
5．3 智能預(yù)測模型的應(yīng)用案例 231\n
5．3．1 引言 231\n
5．3．2 基于多特征小樣本數(shù)據(jù)的洪水預(yù)報 231\n
5．3．3 基于可解釋的時空注意力網(wǎng)絡(luò)方法的洪水預(yù)報 241\n
5．3．4 基于特征融合的洪水預(yù)測 252\n
5．3．5 基于可解釋的洪水多步預(yù)測方法 258\n
5．3．6 總結(jié) 263\n
5．4 基于耦合網(wǎng)絡(luò)的業(yè)務(wù)協(xié)同預(yù)演 264\n
5．4．1 引言 264\n
5．4．2 耦合網(wǎng)絡(luò)定義與表示 265\n
5．4．3 面向業(yè)務(wù)的協(xié)同預(yù)演系統(tǒng)架構(gòu) 266\n
5．4．4 總結(jié) 268\n
參考文獻 268