輕量級領域本體自動構建方法與應用研究

第1章輕量級領域本體自動構建的核心基礎
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 領域本體的研究起源 006
1.2.2 領域本體的構建準則 007
1.2.3 領域本體的構建語言 009
1.2.4 領域本體的構建方法 011
1.2.5 研究現(xiàn)狀述評及分析 018
1.3 研究內(nèi)容與預期目標 019
1.3.1主要研究對象 019
1.3.2 預期研究目標 020
1.3.3 具體研究內(nèi)容 020
1.3.4 擬解決的關鍵問題 022
1.4 研究方法與技術路線 023
1.4.1 研究方法 023
1.4.2 技術路線 023
1.4.3 實驗方案 024
1.5 本書的組織結構 025
1.6 本章小結 027
第2章相關深度學習理論與技術
2.1 深度學習的產(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 深度學習的代表性特征學習算法模型 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DBN 037
2.2.3 卷積神經(jīng)網(wǎng)絡CNN 038
2.2.4 遞歸神經(jīng)網(wǎng)絡RNN 039
2.2.5 長短期記憶網(wǎng)絡LSTM 041
2.3 深度學習的主流開源工具框架 042
2.3.1 詞嵌入生成工具 042
2.3.2 深度學習開發(fā)框架 044
2.3.3 深度學習預訓練模型 045
2.3.4 大規(guī)模語言模型 048
2.4 本體構建相關的深度學習案例分析 050
2.5 深度學習面臨的挑戰(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 應用能力拓展方法 055
2.6 本章小結 057
第3章領域本體深度學習語料的自動獲取與預處理
3.1 相關工作基礎與研究框架設計 060
3.2 領域本體深度學習語料的自動獲取 061
3.2.1 語料的不同類型、來源與作用分析 061
3.2.2 多源異構領域語料的自動獲取方法設計 063
3.3 領域基礎知識詞典的自動構建 068
3.4 領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)方法設計 075
3.5 本章小結 077
第4章輕量級領域本體概念的自動獲取
4.1 相關工作基礎與研究框架設計 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計 081
4.2 領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的詞嵌入模型訓練與優(yōu)化 085
4.3 輕量級領域本體概念自動抽取模型的構建 090
4.3.1 基于IOB標記格式的術語分類序列標注 090
4.3.2 基于自注意力機制的BLSTM-CRF模型構建 092
4.4 輕量級領域本體概念自動獲取的實驗應用 -095
4.4.1 概念獲取的實驗數(shù)據(jù)集的獲取與預處理 095
4.4.2 概念獲取的實驗方法、工具與關鍵過程 097
4.4.3 概念獲取的實驗模型的評估與結果分析 098
4.5 本章小結 099
第5章輕量級領域本體分類關系的自動識別
5.1 相關工作基礎與研究框架設計 102
5.2 深度學習分類的關鍵技術與核心流程 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 109
5.3 輕量級領域本體分類關系自動識別模型的構建 111
5.3.1  BERT 技術原理剖析 111
5.3.2 基于 BERT 的分類關系自動識別模型構建 114
5.3.3 基于XLNet 的分類關系自動識別模型構建 124
5.4 輕量級領域本體分類關系自動識別的實驗應用 130
5.4.1 分類關系識別的實驗數(shù)據(jù)集的獲取與預處理 130
5.4.2 分類關系識別的實驗方法、工具與關鍵過程 132
5.4.3 分類關系識別的實驗模型的評估與結果分析 135
5.5 本章小結 140
第6章輕量級領域本體非分類關系的自動識別
6.1 相關工作基礎與研究框架設計 142
6.1.1 非分類關系的基本定義與內(nèi)容 142
6.1.2 傳統(tǒng)非分類關系識別方法及問題分析 143
6.1.3 非分類關系識別的研究框架設計 145
6.2 輕量級領域本體上下位關系的自動識別 147
6.2.1 上下位關系自動識別的核心技術路線 147
6.2.2 基于擴展Hearst模式的上下位關系自動識別 148
6.2.3 基于投影學習的上下位關系自動識別 151
6.2.4 模式和投影學習相結合的上下位關系自動識別 153
6.3 輕量級領域本體同義關系的自動識別 154
6.3.1 同義關系自動識別的核心技術路線 154
6.3.2 基于領域詞典/知識庫的同義關系自動識別 155
6.3.3 基于改進CBOW詞嵌入的同義關系自動識別 156
6.3.4 領域詞典和CBOW相結合的同義關系自動識別 158
6.4 輕量級領域本體相關關系的自動識別 159
6.4.1 相關關系自動識別的核心技術路線 159
6.4.2 基于特征編碼編輯距離的相關關系自動識別 160
6.4.3 基于G1oVe 詞嵌入的相關關系自動識別 164
6.4.4 特征編輯距離和GloVe相結合的相關關系自動識別 167
6.5 輕量級領域本體非分類關系自動識別的實驗應用 167
6.5.1 上下位關系的自動識別實驗應用 167
6.5.2 同義關系的自動識別試驗應用 174
6.5.3 相關關系的自動識別試驗應用 176
6.6 本章小結 180
第7章 輕量級領域本體的自動存儲表示與服務應用
7.1 相關工作基礎與研究框架設計 182
7.2 輕量級領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相結合的自動存儲表示方法設計 187
7.3 輕量級領域本體的自動服務應用策略 189
7.3.1 代表性的自動服務應用模式分析評價 189
7.3.2 基于 RESTful API的自動服務應用策略設計 193
7.4 實證：以資源環(huán)境領域為例 195
7.4.1 自動存儲表示實證 196
7.4.2 自動服務應用實證 200
7.5 本章小結 206
第8章總結與展望
8.1 研究工作總結 208
8.2 研究的創(chuàng)新點 210
8.3 未來研究計劃 212
參考文獻 217