一、检索词上下文相关提问扩展算法（论文文献综述）
崔琳[1]（2021）在《少数民族服饰文化知识图谱的构建及应用研究》文中研究表明少数民族服饰是少数民族历史发展中文化和智慧的结晶,近年来随着信息技术的飞速发展,数字化技术的应用极大地促进了少数民族服饰文化的传承与保护。然而,由于少数民族服饰文化网络资源类型众多、数量庞大、来源分散,传统的以目录检索的方式检索效率低,使用户无法获取更精准、结构化的信息;同时,少数民族服饰领域较为专业、有深度的信息仍然是以学术专着、刊物为载体,大多数的网络媒体资源内容浅显、缺乏系统性。因此,本文旨在通过利用知识图谱在知识体系构建、知识表达方面的优势,开展少数民族服饰文化知识图谱的构建及应用研究,探索少数民族文化数字化技术应用的新思路和新方法。本文具体工作如下:（1）少数民族服饰文化本体构建。少数民族服饰文化领域还没有一套成熟的本体构建方法。在分析现有本体构建方法以及少数民族服饰文化信息特征的基础上,结合七步法和IDEF-5提出一种适合少数民族服饰文化领域的本体构建方法,并选用OWL作为本体描述语言完成少数民族服饰文化本体构建。（2）少数民族服饰文化知识图谱构建。针对原始数据中包含大量非结构化数据的情况,本文使用Bi-LSTM+CRF模型对数据进行实体提取;并将Bi-LSTM与双层注意力机制结合用于关系抽取,有效解决无关词对关系抽取结果的影响,最后将抽取出的知识保存至Neo4j图数据库中,完成少数民族服饰文化知识图谱的建设。（3）基于少数民族服饰文化知识图谱的语义检索模型研究。针对传统的信息检索因缺少语义信息而导致检索结果不准确的问题,本文利用分词、语义扩展、知识推理等技术,提出一种基于知识图谱的语义检索模型,通过在检索过程添加语义实现对用户检索意图的充分理解,最后经实验评估本模型能够向用户返回准确的检索结果。（4）基于少数民族服饰文化知识图谱的检索平台设计与开发。本文基于Python+Django+My Sql+Neo4j开发的知识图谱检索平台,主要包括知识管理模块和应用展示模块,实现对少数民族服饰文化知识的管理,为用户提供简洁明了的知识结构关系以及图文并茂的信息展示,同时还具有相关知识及概念的推荐功能,具有良好的用户体验。
刘源[2]（2021）在《基于知识图谱的医疗问答系统》文中研究说明搜索引擎的出现和发展为人们信息检索带来了极大的便利,用户在医疗健康领域的搜索需求逐年增加,而当前的搜索引擎返回结果多是相关页面,用户仍需要对返回的结果进行辨别和筛选。问答系统为上述问题提供了一个解决思路,可以为用户提供医疗咨询服务,但是当前已有的几种医疗咨询服务存在内容主观性强,医生和患者交流效率低等问题。本文研究并实现了基于知识图谱的医疗问答系统,建立深度学习的模型理解用户问题,并在由大量医疗数据构成的知识图谱中检索出答案,相比搜索引擎返回的结果,更加贴合用户的检索需求。问答系统的核心是对用户自然语言的理解,将用户提出的问题转化为信息词和用户意图,因此在具体实现过程中将该任务分解为医疗实体识别和问句分类两个子任务。本文工作内容主要包含以下几个方面:（1）医疗知识图谱的构建。问答系统实现的数据基础是知识图谱,利用爬虫技术在多个医疗信息平台收集原始数据,通过知识抽取,知识融合和知识存储三个过程完成医疗知识图谱的构建,融合多个数据源中的医疗知识,提高了知识图谱的质量。（2）研究如何从问句中识别出医疗相关的实体,在原有的Bi LSTM-CRF模型中引入预训练语言模型完成该任务,通过实验证明该方法准确率在自建的医疗问答数据集上和CCKS2017电子病历数据集上均有提高。（3）研究如何在医疗问答场景下对问句进行分类来确定用户意图。针对已构建好的数据集特点建立了BERT-softmax模型,通过BERT模型获取特征向量,softmax层进行归一化处理得到对应分类,相比于其他的几种文本分类模型,在自建的医疗问答数据集上分类效果得到了大幅提高。（4）在以上三个工作内容的基础上对问答系统进行了设计和实现,共9个功能模块。问答系统分为供用户使用的微信小程序和供管理员使用的问答管理系统两部分,用户通过微信小程序入口进入咨询页面即可输入问题进行提问,实现了人机交互,支持医疗相关问题咨询,管理员可通过管理系统对问答系统相关的功能进行管理和配置,并支持对已有的知识图谱进行更新。
程子轩[3]（2021）在《面向用户知识需求的微信公众平台知识资源聚合及服务研究》文中研究指明移动互联网时代,微信公众平台已成为人们交流、休闲、学习、生活的一部分,随着以传播知识为主的微信公众号涌现,微信公众平台也逐渐成为人们获取知识的重要途径。一些综合性或专业领域微信公众号发布各类科普知识和前沿资讯,一些学术类微信公众号专业发布学术领域内相关的学术知识,部分高校学报和高校图书馆微信公众号还专门开设“学术播报”、“学术快讯”等专栏,用于发布学术讲座及学术前沿知识。各类机构或个人通过微信公众平台发布大量科普型知识、专业发展前沿资讯、专业学术知识以及学术专题等,能够满足不同专业和认知层面的用户知识内容的需求。然而,微信公众平台知识内容以用户生成为主,其庞大纷杂的微信公众平台账号主体导致了平台信息和知识质量的参差不齐、出现信息过载和迷航现象,对海量知识资源缺乏科学高效的组织和管理。当前,随着大数据、人工智能等技术的发展,简单提供知识资源内容已经无法满足微信公众平台用户知识服务需求。智能时代,用户对知识质量和知识服务模式提出了更高的要求,促使微信公众平台知识组织和服务转型。如何在海量纷杂的信息中筛选出真正需要和感兴趣的知识资源内容不仅是广大微信用户面临的困扰,更是微信公众平台需要关注并急需解决的问题。鉴于此,本文将知识聚合理论与方法引入到微信公众平台知识资源组织及服务研究中,提出了面向用户知识需求的微信公众平台知识聚合及服务体系框架。首先,构建了微信公众平台用户画像并对用户知识需求进行了分析,从知识单元和句子层面分别提出了基于标签聚类和基于摘要生成的微信知识资源聚合方法,并基于不同知识资源聚合方法设计了微信公众平台知识推荐服务和知识集成服务两种知识服务模式。最后提出了提升微信公众平台知识聚合及服务能力的对策建议。本文主要开展了以下方面的研究:（1）面向用户知识需求的微信公众平台知识聚合及服务体系框架构建。通过辨析知识聚合服务与用户知识需求之间的关系,明确了微信公众平台面向用户需求开展知识聚合的必要性和可行性。阐述了微信公众平台知识聚合概念、目标与原则以及聚合服务要素,认为微信公众平台知识聚合是为了满足用户个性化知识需求,通过计量分析、数理统计、数据挖掘、人工智能等方法分析挖掘知识单元的内在联系,将微信公众平台复杂多样化、数量庞大、无序碎片的领域知识资源重新组织和序化,形成结构完善的知识体系,为后续微信公众平台知识聚合服务提供资源保障。通过分析面向用户需求的微信公众平台知识聚合服务组成要素、动因及过程,提出了面向用户需求的微信公众平台知识聚合服务体系架构,将其划分为数据资源层、用户需求挖掘层、知识资源聚合层、服务提供层4个主要模块。（2）微信公众平台用户画像构建与需求分析。基于VALS2模型从宏观层面对微信公众平台使用者构建群体用户画像,将用户划分为初期引入参与型、成长型和成熟型用户3类,并绘制各类用户特征的标签词云。分析不同类型的用户知识需求形成的过程,并建立微信公众平台用户知识需求层次模型。综合用户画像和用户知识需求层次构建了微信公众平台用户知识服务需求模型,凸显微信公众平台知识服务现状与用户知识需求的巨大差距。（3）基于标签聚类的微信公众平台知识聚合方法。提出融合Word2vec模型和TextRank算法的微信公众平台知识资源标签抽取方法,将关键词作为标签表达文本知识资源内容的主题思想及关键内容。提出基于改进BIRCH聚类算法的微信公众平台文本标签聚类方法,在原算法执行过程中融合K-means算法初选聚类中心,并综合考虑用户需求因素。最后以微信公众平台发布的“认知计算”领域文章为例进行实证研究,研究发现本文提出的基于改进Birch算法的聚类结果主题分布较为合理,各个类之间的区分度较为明显,类簇大小的差距较小,其效果要优于基于K-means算法、基于Spectral Clustering算法和基于Birch算法的聚合效果。（4）基于摘要生成的微信公众平台知识聚合方法。提出基于改进TextRank算法的微信公众平台知识摘要生成方法,分别设计了单文本摘要生成和单领域多文本的知识摘要生成方法。在单文本摘要生成方面,通过综合考虑用户需求、句子位置、标题相似度等因素提高摘要生成效果。在单领域多文本摘要生成方面,采用Doc2vec模型进行文本向量化,对文档集中的句子进行主题细分,并运用MMR算法进行句子冗余处理,提高生成结果的准确性。以微信公众平台发布的“认知计算”领域文章为例进行实证研究,研究发现运用本文方法生成的文本摘要能够较好的匹配用户需求,能够实现面向用户需求的个性化抽取和生成,准确率明显优于其他算法。且本文算法生成的摘要,具有较好的语意连贯性,便于读者的理解和进一步掌握文章主旨大意。（5）基于知识聚合的微信公众平台创新知识服务模式。以微信公众平台知识聚合及服务体系框架为基础,针对不同层面的知识聚合,构建了基于知识标签聚类的微信公众平台知识推荐服务和基于摘要生成的微信公众平台知识集成服务两种服务模式。分别阐述了两种知识服务的概念、知识服务要素和知识服务过程。（6）微信公众平台知识聚合及服务能力提升对策。分别从用户知识需求外化表达及挖掘、新技术应用和融合改进和微信公众平台创新服务理念及加强运营管理三个方面提出提升微信公众平台知识聚合及服务能力的对策建议。本文从理论层面将知识聚合理论和方法引入到微信公众平台,解决其知识组织和服务问题,扩展了知识聚合相关研究的领域和视角。同时,本文对微信公众号发布的知识内容进行知识主题聚类和自动化摘要生成,并建立了相应的知识聚合服务体系,丰富了社交媒体平台创新知识服务理论体系,为新媒体知识服务提供理论和技术支持。在实践层面,本文面向微信公众平台中不同微信公众号发布资源内容的知识聚合,分别进行了知识主题发现和自动生成摘要知识聚合技术实证,为微信公众平台知识资源组织管理提供了技术方法和手段。同时,提出的对策建议和服务模式也为微信公众平台开展创新型知识服务提供参考依据和建议。
陶兴[4]（2020）在《多源学术新媒体用户生成内容的知识聚合研究》文中进行了进一步梳理随着信息经济迅猛发展,学术新媒体作为新型的网络学术知识平台逐渐受到科研工作者的关注,为知识信息获取、知识交流、知识传播等带来了改变。学术新媒体以学术微博、学术微信公众号、学术虚拟社区、学术APP等主要形式存在,具有平台类型多样、平台内容丰富、平台知识专业化等特点。为科研工作者提供了获取学术信息、分享学术成果、开展学术交流等活动的新途径。学术新媒体不再以文章、期刊论文等长文本形式作为知识推送的内容,学术用户作为学术新媒体环境中知识接受者与生产者两种身份并存,新媒体环境鼓励学术用户通过提问、回答与分享来自主产生新知识,创新了学术知识获取方式。随着新媒体环境的扩张,互联网中的用户生成内容呈现出了爆炸式增长,用户在搜寻知识过程中需要消耗大量的时间和精力去浏览与筛选知识内容。知识内容出现“知识过载”,用户陷入“知识迷航”,而学术新媒体中的用户生成知识内容也存在内容质量参差不齐,知识点碎片化分散,内容冗余等问题。同时不同学术新媒体平台间缺乏信息交流,单一平台内的知识无法及时完善与更新,导致用户须花费大量时间去浏览多平台内的知识,增加了获取知识的难度。如何对学术新媒体内用户生成内容进行知识的挖掘、组织和管理,创新学术新媒体的知识服务模式,为学术用户提供高质量知识服务内容,已成为学术新媒体发展面临的新问题。鉴于此,本文将知识聚合理论与方法引入到学术新媒体用户生成内容的知识聚合研究中,构建基于知识聚合的多源学术新媒体用户生成内容聚合机理,探讨了用户生成内容质量评测问题,提出了主题聚合与摘要生成两种用户生成内容知识聚合方法,设计了知识聚合精准推荐方案,并提出多源学术新媒体用户生成内容的知识聚合能力提升策略。本文主要开展了以下方面的研究:第一,构建多源学术新媒体用户生成内容的知识聚合机理。界定了学术新媒体用户生成内容的知识聚合内涵,即对新媒体平台用户生成内容中蕴含的知识进行有效组织,进而挖掘其内在知识的关联关系,为学术新媒体用户提供多源平台的知识聚合服务。划分了多源学术新媒体用户生成内容知识聚合类型,分别为:同型异源知识聚合、异型异源知识聚合、多语种知识聚合。将多源学术新媒体用户生成内容的知识聚合要素分为知识聚合主体、知识聚合客体、知识聚合内容、知识聚合环境、知识聚合技术等五个方面。从学术信息资源需求、学术创新环境、知识聚合主体收益、科技进步、多源学术资源等方面探讨了多源学术新媒体用户生成内容知识聚合的驱动力。从原理特点、作用方式等方面详细阐述了其影响知识聚合的原因。解读了多源学术新媒体知识聚合过程,分别为挖掘与解读用户需求,学术信息的数据处理,学术信息质量评测,知识发现与聚合,学术知识推荐。最后提出了多源学术新媒体用户生成内容的知识聚合机理模型,并从各要素间的关系与交互行为入手,绘制其实践应用中的具体过程图。第二,提出了学术新媒体用户生成内容的自动化质量评测方法。文本通过数据维度、情感极性、领域词汇等三方面考虑,建立学术用户生成内容自动化特征提取过程。再利用双层BI-GRU神经网络学习学术用户生成内容的特征属性。引入专业学术领域词典,优化词嵌入模型所生成的学术用户生成文本向量化表达。最终实现学术新媒体用户生成内容的质量评测,筛选出高质量的文本内容,为后续的多源学术新媒体用户生成内容知识聚合方法研究提供优质的数据基础。第三,基于主题生成的多源学术新媒体用户生成内容的知识聚合研究。提出基于混合神经网络BiLSTM-CNN-CRF和LDA主体概率模型的学术新媒体用户生成内容的知识主体聚合方法。利用混合神经网络分词法,对学术新媒体用户生成内容进行学习分词,然后将获取到的学术专业分词表输入到LDA主体概率模型中,生成多源学术新媒体平台的知识主题。从多个平台的生成主题中,证实了不同学术新媒体平台同类知识内容中存在较大的知识主题差异,在此基础上对知识主题进行融合,帮助学术新媒体用户能够从大规模用户生成知识内容中获取核心知识点,为学术新媒体用户提供了知识导航服务。第四,提出了多源学术新媒体用户生成内容的知识摘要生成方法。为实现多个学术新媒体平台中用户生成内容的知识概括性描述问题,提出基于Word2Vec模型和MMR算法的摘要生成方法。利用Word2Vec方法可以有效解决传统词向量表达方法忽略词语间语义联系的问题;利用MMR排序方法,对重要性程度高的摘要进行排序筛选,剔除重复度高的摘要句,同时保留重要性高的摘要句;利用专业领域词典,解决专业领域词无法识别的问题。通过对多个学术新媒体平台的用户生成内容进行聚合,帮助知识欠缺的平台弥补自身知识内容不足的问题,实现了学术新媒体环境整体知识内容的极大融合,为学术新媒体用户提供一个效率获取冗余用户生成内容中关键性知识的聚合服务。第五,提出了多源学术新媒体用户生成内容的知识聚合精准推荐方法。通过用户兴趣度值挖掘推荐项目和用户间的相似关系,将其作为用户对项目的推荐评分。通过传递相似度,实现多源学术新媒体平台间用户的相似度计算,进而建立起多源学术新媒体用户网络。最后通过项目推荐评分与用户传递性网络,构建学术新媒体用户生成内容的知识聚合精准推荐方法,为学术用户提供多源平台的学术知识与学术用户的双重精准推荐服务。
张莉[5]（2020）在《基于词向量扩展的语义检索模型研究》文中认为信息技术的快速发展改变了人们的工作、学习与生活,如何从大量的文本数据中快速并且准确地检索到用户需要的信息成为了大数据信息时代的一大难题。传统信息检索方法是基于关键词的检索,忽略了语义信息,用户检索体验较差。本文将查询匹配方法引入查询扩展技术,并且结合改进后的排序算法和全文搜索引擎对信息检索技术进行优化,有助于改善用户查询过程中存在的“词不达意”和“文档不匹配”的问题。本论文的工作内容及主要贡献如下。首先,针对传统查询扩展算法忽略语义信息的缺点,在基于Word2vec查询扩展方法的基础上,结合自动阈值筛选方法和改进的LSF技术,提出基于词向量的语义扩展算法LW-TF。LW-TF算法实现的查询匹配包括两个步骤:一是结合自动阈值筛选方法和改进的LSF技术,以获取语义扩展词实现语义匹配;二是通过向量加权法获取查询向量和文档向量,实现关联匹配。实验结果表明,基于词向量的语义扩展算法相较于其他算法实现了查全率和查准率的提升,证明了算法的有效性。其次,本文结合LW-TF算法与改进后的BM25F-N排序评分算法,在全文检索的基础上,提出基于词向量扩展的语义检索算法,改善了传统搜索引擎排序算法对搜索结果评分排序时容易忽略文档重要信息的缺点。本文以财经新闻作为实验数据,将新闻的时间因素和网站知名度因素列为搜索结果排序的重要考核指标。实验结果表明,基于词向量扩展的语义检索算法的检索效果,相较于其他算法实现了语义检索查全率、查准率和F-measure的提升,达到了良好的检索效果。最后,建立了基于词向量扩展的语义检索模型,完善各个功能模块并通过实验验证。检索结果表明本文提出的语义检索模型相较于传统查询检索方法,充分考虑了查询与扩展词之间的语义关系以及查询与文档之间的匹配关系,同时引入时间因素和网站知名度因素对检索结果进行排序。希望通过本次研究可为语义检索模型的研究与设计提供一定参考价值。
马宇生[6]（2020）在《基于深度文本匹配模型的智能问答系统问题相似度研究》文中进行了进一步梳理在当今飞速发展的互联网时代,随着人们生活水平的不断提高,人们在信息检索、自动问答、对话系统等人工智能领域的需求越来越高,需要智能匹配算法来满足用户的多样化需求。为解决这一问题,自然语言处理技术应运而生,它能够为用户提供高效的信息检索服务和舒适的人机交互体验。文本匹配任务是自然语言处理技术中的核心问题,近年来随着深度学习和文本词向量技术的迅猛发展,基于深度神经网络的文本匹配逐渐成为一个新的研究方向。本文研究了文本匹配一些经典的深度学习模型,基于ESIM、DSSM、Decomposable Attention、Siamese Network四种模型,根据Blending模型融合方法并在Blending上最后添加一层逻辑回归,提出一种融合模型。主要工作包括:首先,研究了文本匹配相关技术,包括词向量技术、卷积神经网络、循环神经网络、双向循环神经网络以及模型融合技术。其次,分别介绍了四种模型的基本结构,并在此基础上,针对本文实际问题进行模型构造,对四种模型各个网络层进行详细阐述,对损失函数、优化算法等进行说明。解释本文所提出的模型的构造过程。最后,根据2018蚂蚁金服文本相似度比赛数据进行实验,实验结果表明,ESIM模型在实际文本匹配任务中表现最好。在最终模型融合阶段,基于Blending模型融合方法,利用逻辑回归作为Blending的最后一层进行模型融合,应用到测试集上,准确率达到0.716537,召回率达到0.748,值达到0.73193054,均高于四种基模型。实验结果表明本文设计的模型能够通过Blending模型融合方法,充分利用不同网络架构之间的差异性,提取文本中的信息,发挥出各个模型的优势,提升模型的准确性。
郑路[7]（2019）在《基于知识图谱的慢性病在线社区分面检索与信息推荐研究》文中研究指明我国国力不断提升,社会建设不断完善的同时,人们的关注点早已从生存转向生活,生活质量、老龄化以及生态环境等问题使得医疗健康问题的信息需求也逐年上升。尤其是对于慢性病方面的信息需求因慢性病的特性而凸显。慢性病预防、治疗以及预后因素的综合性、复杂性决定了相关任务的周期长、难度大和负担重。如何有效的进行慢性病防与治,相关健康医疗信息传播与实践的意义十分重大,随着医疗健康理念从疾病为中心到人为中心的转变,信息服务的进步将会起到重要的推动作用。然而,现有慢性病资源的异构性及多源性,使其从信息到知识的获取面临着较大的困难。究其原因,医疗健康信息的存储与使用是一个不断完善的过程,标准建立较晚导致各家医疗健康机构所产生的数据因操作平台、采集格式以及知识产权不能互联互通。随着医疗健康互联网的不断发展,分布式、异构化是现有医疗健康在线资源普遍存在的现象。传统信息组织方式在面对这些资源时,在一定程度上解决了数据库存储和简单关系显示的问题,而对于蕴含的显、隐语义层面的内容未有明显体现;加之,用户由于自身原因无法较好的甄别知识并使用知识来解决自身的状况。为此,如何针对用户需求融合多学科的方法实现慢性病在线社区实体识别,并利用实体间的关系,构建慢性病知识图谱,从而有效指导慢性病在线社区中的信息服务,更好的满足用户对慢性病医疗健康知识的需求,就成为了当前亟待解决的问题。为解决现有知识图谱覆盖面不全、应用场景不明确、应用效果不佳等问题,本文在融合多源数据构建慢性病知识图谱的基础上,从在线社区分面检索与信息推荐两个方面改进慢性病在线社区的信息服务,分别实现引导用户主动获取的资源和面向用户显隐需求的资源推送,从而在知识图谱的实际应用过程中,探索如何提高慢病在线社区信息服务效率的有效方案。本文共分为七个章节:第一章,绪论部分。梳理国内外研究现状进行全面总结的基础上,归纳了当前知识图谱、信息检索和信息推荐存在的不足,探讨构建知识图谱解决慢性病在线社区中信息组织问题,并基于知识图谱构建慢性病在线社区分面检索以及信息推荐来提高信息服务水平的可行性,通过研究背景、研究内容、技术路线以及组织结构的论述,归纳总结了本文的研究意义以及创新之处。第二章,相关理论与技术基础。借助已有关于知识图谱、分面检索以及信息推荐的构建的理论与开发的技术,为本文解决基于知识图谱的慢性病在线社区分面检索与信息推荐的科研问题奠定实现基础。第一部分,知识图谱的定义以及发展,构建流程以及深度学习的应用。第二个部分,对分面检索做概念上的梳理和方法上的探讨。第三部分,对推荐系统做定义的阐释和技术上的讨论。第三章,面向在线社区的慢性病知识图谱构建。知识图谱的构建是本文分面检索系统的基石,主要是解决知识的抽取与融合方面的问题,在实际任务中是构建知识图谱的节点与节点的关联衔接,本文首先定义实体与属性、实体间的关系,使用机器学习的方法进行慢性病实体、关系、属性的识别,然后在融合部分对知识图谱进行了概念层的融合与本体层的融合,最后使用知识图谱工具实现可视化操作。第四章,基于知识图谱的慢性病在线社区分面检索。根据分面检索应用存在着诸多问题,导致其使用率不高。依托知识图谱丰富的实体和关系,构建内容分面以及质量分面,确定分面的排序和焦点词排序以及展示策略等方面,增加分面检索系统逻辑性和利用率。第五章,基于知识图谱的慢性病在线社区信息推荐。在现有信息推荐方法不足前提下,通过从信息内容、信息表达、信息效用以及信息来源四个方面探讨慢性病在线社区信息推荐原则,深入分析了知识图谱在慢性病在线社区信息推荐的优势。构建基于知识图谱的慢性病在线社区信息推荐路径。分别搭建了基于用户个性化的慢性病在线社区信息推荐、基于内容相似的慢性病在线社区信息推荐以及基于情境感知的慢性病在线社区信息推荐模块,并对其中具体模型和算法进行了相应的诠释。第六章,基于知识图谱的慢性病在线社区分面检索与信息推荐实证。以糖尿病为例,依据三、四、五章的研究内容,从糖尿病在线社区中的信息需求、面向在线社区糖尿病知识图谱构建、基于知识图谱的糖尿病在线社区分面检索以及基于知识图谱的糖尿病在线社区信息推荐入手,实现了基于知识图谱的慢性病在线社区分面检索与信息推荐的示范与展示。第七章,总结与展望。总结构建面向慢性病在线社区的知识图谱,基于知识图谱的慢性病在线社区分面检索和信息推荐中的主要内容以及使用的技术,并讨论了研究所存在的问题,最后指出该研究下一步的方向。
胡萍[8]（2018）在《基于NLP的在线学习者观点挖掘模型及应用》文中研究指明互联网飞速发展,在线学习已成为学习者重要的学习形式,在线教育规模与日俱增。在线教育平台中学习者生成文本数量巨大,人工挖掘耗时耗力,效率较低。这些学习平台中学习者不断产生内容,内容主要以文本形式为主,人工分析大量的学习者生成文本大多是一次性工作。在数量庞大的课程学习者中,要人工实时精准分析课程学习者观点、学习情况、资源偏好等相关信息对于任何一个团队来说都难以实现。因此,随着人工智能、自然语言处理和文本挖掘技术的发展,挖掘学习者生成文本中的观点有利于了解学习者对教师及资源的评价,掌握学习者学习情况,推荐个性化资源、进行学习分析,构建学习者观点知识库,有助于凝聚集体智慧。研究围绕着三个研究问题:第一,识别学习者观点句,抽取观点要素;第二,构建学习者属性级观点挖掘模型;第三,应用模型抽取结果,分析教师行为和资源评价。运用文献研究法梳理相关研究现状;自然语言处理的方法基于规则识别并压缩观点句,基于五元组抽取学习者观点各要素,将非结构化文本信息结构化;分析依存句法和词汇语义关联,获取属性-观点词分布;运用数学建模的方法构建学习者观点挖掘模型（Learner-Aspect Opinion Mining Model,LAOM）,在模型中融入语义关系集和词汇分布,并验证优化模型;应用LAOM模型抽取结果分析教师教学行为和资源质量。学习者观点挖掘模型的研究工作主要包括以下四部分:学习者生成文本数据中观点识别方法研究。粗粒度文本挖掘是针对文档级、篇章级、段落级的文本数据处理,细粒度文本挖掘是处理句子级、词汇级、属性级文本数据,学习者生成文本以短文本口语化表达为主,并非每个句子都包含学习者观点信息,细粒度文本挖掘更适用于学习者观点挖掘。学习者属性级观点挖掘是为抽取并运用观点句中的观点要素,研究基于语法规则,结合语义识别和压缩学习者生成文本中的观点句,提高学习者观点挖掘准确率,降低数据运算量,提升观点要素抽取效率。结合语义关系的学习者观点挖掘LAOM模型研究。结合词汇之间语义关系,获取属性词、观点词、属性词与观点词之间的Must-links和Cannot-links语义关系,融合属性词、观点词、属性词与观点词之间的语义关系关联集和非关联集到学习者属性级观点挖掘模型,提升了学习者观点挖掘模型对低频属性词和观点词的抽取准确率、召回率。在学习者属性级观点挖掘中,有利于获取低频属性词和观点词。学习者观点挖掘模型原型系统验证了学习者生成文本抽取观点五元组的准确率和有效性。应用LAOM模型挖掘分析学习者观点中的教师教学行为。在线学习语境下,教师教学行为是影响在线学习者课程评价的重要因素。研究提出教师教学行为与学习者课程评价相关的研究假设。统计分析LAOM模型抽取的学习者观点,深入分析挖掘学习者观点中与教师教学行为相关的观点,运用教师教学行为SAT编码表,分类编码学习者评价信息中与教师教学行为相关的观点记录,检验观点记录的编码信效度,分析不同教师教学行为与学习者课程评价的相关性。应用LAOM模型挖掘分析学习者观点中的资源质量评价。在线教育资源是在线学习的重要组成部分,学习者观点中包含教育资源质量评价相关观点。研究提出教育资源质量与学习者课程评价相关的研究假设。统计分析LAOM模型抽取的学习者观点,分析挖掘学习者观点中与教育资源质量相关的观点,运用教育资源质量评价PEI编码表,分类编码学习者评价信息中与教育资源质量相关的观点记录,检验观点记录编码信效度,分析教育资源质量各方面评价与学习者课程评价的相关性。本研究针对传统观点挖掘模型缺乏语义关联的局限,基于规则识别学习者生成文本数据中包含主谓关系或定中关系的句子为观点句,结合属性词、观点词之间词汇语义关系构建学习者细粒度属性级观点挖掘LAOM模型,经过实验与SRC-LDA,ACM,LDA,CAMEL对比,LAOM模型抽取低频属性词和观点词具有更高的准确率和召回率。根据LAOM模型设计了批量处理学习者文本数据的观点挖掘原型系统,并将学习者观点抽取结果应用于教师教学行为和教育资源质量评价。研究结论表明:教师助教行为（评价反馈、技术指导）与学习者课程评价弱相关。教师管理行为（组织讨论、课程管理、辅助学习资源管理）与学习者课程评价正相关。教师主教行为（讲授、指示、演示）与学习者课程评价显着正相关。资源对学习者个体因素的满足是用户评价资源的首要因素;学习者个体因素和网络学习环境与资源评价正相关,学习者强调网络学习空间中资源对自身个体因素的满足,在线教育资源对不同硬件设备的支持、获取的便捷性影响学习者对资源质量的评价。将学习者观点信息与其它类型数据相结合,运用于学习资源个性化推荐、定制个性化学习路径,将是下一步研究的重要方向。
张书波[9]（2017）在《面向信息搜索的混合式查询扩展技术研究》文中研究说明随着通信和信息技术的快速发展,互联网已经成为人们获取各类信息的重要来源,而搜索引擎则是人们从互联网获取信息所依赖的重要工具之一。在很多情况下,现有的搜索引擎已经能为用户提供满意的搜索结果。但同时,受到查询词过短及“词语匹配”问题的影响,现有的搜索引擎在搜索结果的质量方面还存在着提升的空间。查询扩展是解决搜索引擎所面临的查询词过短以及“词语匹配”问题的有效方法之一。现有的查询扩展方法从搜索日志、相关文档或者形式化语义资源中选取查询扩展词,而由于搜索日志直接地记录了历史用户描述信息需求的关键字,基于日志的查询扩展方法可以有效地获取能够完整描述信息需求的查询扩展词,并因此而获得了大量的关注。然而,在实际应用中,现有的查询扩展方法还存在着一系列的问题。首先,基于搜索日志的查询扩展方法易受搜索日志中数据的稀疏性与时效性的影响,使其无法有效地扩展出反映用户信息需求的扩展词。其次,基于搜索日志的查询扩展方法易受搜索日志中信息流行性的影响,使其无法有效地扩展出与用户信息需求相似的扩展词。最后,在搜索日志信息不可用时,基于局部上下文的查询扩展方法受到文档主题覆盖的影响,可能无法有效的扩展出领域内重要且与当前查询相关的概念。这些问题的存在限制了查询扩展质量。针对上述问题,为了实现高质量的查询扩展,本文进行了面向信息搜索的混合式查询扩展技术研究。针对基于搜索日志的查询扩展方法易受日志数据稀疏性及时效性影响,导致扩展词数量不足或缺少时效性的问题,本文研究基于局部上下文选取足够数量或时效性强的扩展词,弥补从搜索日志选取查询扩展词的不足之处。针对基于搜索日志的查询扩展方法易受信息流行性影响,导致语义覆盖不完整的问题,本文研究从本体中选取语义覆盖完整的扩展词,完善扩展结果的语义覆盖程度,提供与用户信息需求语义相似的扩展词。针对基于局部上下文的查询扩展方法受到主题覆盖影响,无法有效扩展出领域内重要且相关的概念的问题,本文研究基于Copula理论的本体和局部上下文查询扩展方法,在统一的概率框架下实现对来自本体和局部上下文的扩展词集的有效融合,最终选取高质量的扩展词,提高搜索引擎的检索性能,更好地满足用户的信息需求。具体包括:（1）基于搜索日志和局部上下文的查询扩展方法。针对搜索日志易受数据稀疏性、时效性影响的问题,通过从局部上下文选取高质量扩展词,弥补基于用户搜索日志提取的候选扩展词较少和时效性不强的缺陷。给出了搜索日志中数据稀疏性和时效性问题的定义和判定规则、查询扩展词的权重计算方法和融合两扩展词集规则,并通过实验对方法的检索性能进行了分析,有效避免了日志数据稀疏性及时效性对查询扩展结果的影响。（2）平衡流行性和相似性的混合式查询扩展方法。针对基于日志的查询扩展方法易受数据流行性影响,导致扩展结果语义覆盖不完整的问题,通过从本体选取完整语义扩展词,弥补缺失满足用户需求的相似性信息的缺陷;研究了基于搜索日志聚类的日志扩展词集生成的方法,给出了基于本体的语义扩展词集和语义类别集的生成方法,并以此为基础提出了日志扩展词集的语义覆盖度的计算方法,并利用证据理论实现对两组扩展词集的融合。实验分析表明该方法能够有效的提供语义覆盖完整的扩展词集,实现平衡流行性与相似性的查询扩展。（3）基于Copula理论的本体和局部上下文查询扩展方法。针对局部上下文受文档主题覆盖的影响,无法扩展出领域内重要且相关概念的问题,提出了语义相似概率和统计相关概率的计算方法,以Copula理论为基础,在概率框架内实现对本体及局部上下文相似度指标的有效合并。实验阶段的对比分析表明,该方法的搜索性能优于其他混合本体和局部上下文扩展方法,实现了更高质量的查询扩展。（4）混合式查询扩展技术在成果地质资料搜索系统中的应用。针对现有成果地质资料信息搜索系统在支持区域内矿种勘查、区域矿产调查、以及编制矿产资源规划任务中存在的不足,将本文所提出的混合式查询扩展技术应用于成果地质资料搜索系统中,提出了基于BP神经网络和映射规则的借阅者查询与混合式查询扩展方法的映射方法,解决了模型参数的设定问题。通过实际工作任务验证了本文所提方法的应用效果。
黄崑,张路路,钟村,秦婷玉,郭建峰[10]（2015）在《基于OPAC日志的高校图书馆用户提问调整模式研究——以北京师范大学图书馆为例》文中研究说明[目的 /意义]探讨高校图书馆用户在使用图书馆OPAC系统查找相关资源时调整提问的行为模式。[方法/过程]以北京师范大学图书馆OPAC日志数据为对象,采用S.Y.Rieh与Xie Hong提出的提问调整模式类型,利用内容分析法对提问日志进行内容编码和统计分析。[结果 /结论]高校图书馆用户的OPAC提问调整基本模式与网络信息检索提问调整模式基本一致,并且,在动态调整模式过程中,还可以细化为直线、阶梯、锯齿、凹凸、循环等子模式。针对如何优化OPAC系统和提升用户信息素养提出若干建议。
二、检索词上下文相关提问扩展算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、检索词上下文相关提问扩展算法（论文提纲范文）
（1）少数民族服饰文化知识图谱的构建及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 少数民族服饰文化数字化保护研究现状 |
| 1.2.2 知识图谱发展与现状 |
| 1.2.3 知识抽取研究现状 |
| 1.2.4 基于知识图谱的语义检索现状 |
| 1.3 本文工作 |
| 1.4 论文组织结构 |
| 第2章 相关概念及关键技术 |
| 2.1 本体的概念及构建方法 |
| 2.1.1 本体概念 |
| 2.1.2 本体构建方法 |
| 2.2 知识图谱构建原理及关键技术 |
| 2.2.1 知识图谱构建原理 |
| 2.2.2 知识图谱构建关键技术 |
| 2.3 语义检索相关概念及技术 |
| 2.3.1 语义检索概念 |
| 2.3.2 语义检索关键技术 |
| 2.4 Word2Vec |
| 2.4.1 One-Hot编码 |
| 2.4.2 C-BOW模型 |
| 2.5 主要开发工具介绍 |
| 2.5.1 Protégé |
| 2.5.2 Neo4j |
| 2.6 本章小结 |
| 第3章 少数民族服饰文化知识图谱的构建 |
| 3.1 少数民族服饰文化知识图谱构建流程 |
| 3.2 源数据获取 |
| 3.3 少数民族服饰文化本体构建 |
| 3.3.1 基于七步法和IDEF-5 的本体构建方法的改进 |
| 3.3.2 少数民族服饰文化本体构建实现 |
| 3.4 少数民族服饰文化信息资源的知识抽取 |
| 3.4.1 实体识别 |
| 3.4.2 基于Bi-LSTM与注意力机制的关系抽取 |
| 3.5 少数民族服饰文化知识图谱的知识存储 |
| 3.6 本章小结 |
| 第4章 基于知识图谱的语义检索模型研究 |
| 4.1 基于知识图谱的语义检索模型 |
| 4.2 检索语句分词 |
| 4.3 检索词同义替换 |
| 4.4 语义分析 |
| 4.4.1 描述性文本关键词提取 |
| 4.4.2 基于Word2Vec的语义扩展 |
| 4.4.3 知识推理 |
| 4.5 语义检索算法评估 |
| 4.6 本章小结 |
| 第5章 少数民族服饰文化检索平台的设计与开发 |
| 5.1 系统需求分析 |
| 5.1.1 背景需求 |
| 5.1.2 功能需求 |
| 5.1.3 性能需求 |
| 5.2 系统架构设计 |
| 5.2.1 系统总体架构设计 |
| 5.2.2 技术路线 |
| 5.3 系统关键功能设计与实现 |
| 5.3.1 知识管理 |
| 5.3.2 实体查询 |
| 5.3.3 关系查询 |
| 5.3.4 语义检索 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和研究成果 |
| 致谢 |
（2）基于知识图谱的医疗问答系统（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱研究现状 |
| 1.2.2 问答系统研究现状 |
| 1.3 研究内容 |
| 1.4 本论文的结构安排 |
| 第二章 相关技术与理论基础 |
| 2.1 预训练语言模型 |
| 2.1.1 注意力机制 |
| 2.1.2 Transformer |
| 2.2 智能问答相关技术 |
| 2.3 知识图谱 |
| 2.4 本章小节 |
| 第三章 医疗问答系统需求分析与设计 |
| 3.1 问答系统需求分析 |
| 3.1.1 架构需求 |
| 3.1.2 性能需求 |
| 3.1.3 功能需求 |
| 3.2 问答系统设计 |
| 3.2.1 架构设计 |
| 3.2.2 功能设计 |
| 3.2.3 数据库设计 |
| 3.3 本章小结 |
| 第四章 医疗知识图谱构建 |
| 4.1 数据采集 |
| 4.2 知识抽取 |
| 4.3 知识融合 |
| 4.4 知识存储 |
| 4.5 本章小结 |
| 第五章 问答系统算法设计 |
| 5.1 实体识别 |
| 5.1.1 模型介绍 |
| 5.1.2 实验设计 |
| 5.1.3 实验结果及分析 |
| 5.2 意图识别 |
| 5.2.1 模型介绍 |
| 5.2.2 实验设计 |
| 5.2.3 实验结果及分析 |
| 5.3 本章小节 |
| 第六章 问答系统实现与测试 |
| 6.1 系统实现 |
| 6.1.1 知识模块 |
| 6.1.2 算法模块和数据模块 |
| 6.1.3 问答模块和答案配置模块 |
| 6.1.4 用户管理模块 |
| 6.1.5 反馈管理模块 |
| 6.1.6 屏蔽词管理模块 |
| 6.1.7 日志管理模块 |
| 6.2 系统测试 |
| 6.2.1 功能测试 |
| 6.2.2 性能测试 |
| 6.3 本章小节 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 未来展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（3）面向用户知识需求的微信公众平台知识资源聚合及服务研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 微信公众平台成为用户获取知识的重要途径 |
| 1.1.2 微信公众平台知识资源海量庞杂且质量参差不齐 |
| 1.1.3 用户日趋追求精准和智能化的知识服务 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 国内外研究现状 |
| 1.3.1 网络知识资源聚合的国内外研究现状 |
| 1.3.1.1 网络知识资源聚合的国内研究现状 |
| 1.3.1.2 网络知识资源聚合的国外研究现状 |
| 1.3.2 微信公众平台知识组织与服务的国内外研究现状 |
| 1.3.2.1 微信公众平台知识组织与服务的国内研究现状 |
| 1.3.2.2 微信公众平台知识组织与服务的国外研究现状 |
| 1.3.3 研究评述 |
| 1.4 研究方法及技术路线 |
| 1.4.1 主要研究方法 |
| 1.4.2 研究技术路线及思路 |
| 1.5 研究主要内容 |
| 1.6 研究的创新点 |
| 第2章 相关概念及理论基础 |
| 2.1 微信公众平台 |
| 2.1.1 微信公众平台概念 |
| 2.1.2 微信公众号的类型 |
| 2.1.3 微信公众平台知识资源 |
| 2.2 知识聚合理论与方法 |
| 2.2.1 知识聚合概念 |
| 2.2.2 常用的知识聚合方法 |
| 2.3 文本挖掘与分析 |
| 2.3.1 文本挖掘概述 |
| 2.3.2 文本挖掘流程 |
| 2.4 知识服务 |
| 2.4.1 知识服务概述 |
| 2.4.2 常见的知识服务模式 |
| 2.4.2.1 知识检索服务 |
| 2.4.2.2 知识导航服务 |
| 2.4.2.3 知识推荐服务 |
| 2.4.2.4 知识集成服务 |
| 2.5 本章小结 |
| 第3章 面向用户知识需求的微信公众平台知识聚合服务体系框架 |
| 3.1 微信公众平台知识聚合服务面向用户知识需求的必要性 |
| 3.2 微信公众平台知识聚合及服务概述 |
| 3.2.1 微信公众平台知识聚合概念 |
| 3.2.2 微信公众平台知识聚合服务要素分析 |
| 3.2.3 微信公众平台知识聚合服务目标与原则 |
| 3.2.3.1 微信公众平台知识聚合服务目标 |
| 3.2.3.2 微信公众平台知识聚合服务原则 |
| 3.3 基于知识聚合的微信公众平台知识服务动因分析 |
| 3.4 面向用户知识需求的微信公众平台知识聚合服务体系框架 |
| 3.4.1 面向用户知识需求的微信公众平台知识聚合服务过程 |
| 3.4.2 面向用户知识需求的微信公众平台知识聚合服务体系框架构建 |
| 3.5 本章小结 |
| 第4章 微信公众平台用户画像构建及需求分析 |
| 4.1 微信公众平台用户画像概述 |
| 4.1.1 微信公众平台用户画像内涵 |
| 4.1.2 微信公众平台用户画像构建原则 |
| 4.2 微信公众平台用户画像构建 |
| 4.2.1 VALS2模型概述 |
| 4.2.2 基于VALS2的用户标签体系设计 |
| 4.2.3 用户画像标签权重设计 |
| 4.2.4 实证研究—以“学术类微信公众号用户”为例 |
| 4.2.4.1 样本特征统计分析 |
| 4.2.4.2 因子分析及分类标签抽取 |
| 4.2.4.3 用户画像聚类分析及可视化 |
| 4.3 基于用户画像的微信公众平台用户分类与知识需求分析 |
| 4.3.1 初期引入参与型用户 |
| 4.3.2 成长型用户 |
| 4.3.3 成熟型用户 |
| 4.4 微信公众平台用户知识需求层次分析 |
| 4.4.1 微信公众平台用户知识需求形成 |
| 4.4.2 微信公众平台用户知识需求层次划分 |
| 4.5 微信公众平台用户知识需求模型 |
| 4.6 本章小结 |
| 第5章 基于标签聚类的微信公众平台知识聚合及推荐服务 |
| 5.1 微信公众平台文本标签聚类的内涵及作用 |
| 5.1.1 微信公众平台文本标签聚类内涵 |
| 5.1.2 微信公众平台文本标签聚类作用 |
| 5.2 基于标签聚类的微信公众平台知识聚合方法 |
| 5.2.1 微信公众平台文本标签抽取方法 |
| 5.2.1.1 基于TextRank算法的文本标签抽取方法 |
| 5.2.1.2 Word2vec词向量模型 |
| 5.2.1.3 融合Word2vec和TextRank的文本标签抽取方法 |
| 5.2.2 BIRCH聚类算法及优化 |
| 5.2.3 基于改进BIRCH算法的微信公众平台知识资源聚合过程 |
| 5.3 实证研究—以“认知计算”领域为例 |
| 5.3.1 文本知识资源标签抽取 |
| 5.3.2 基于标签聚类的微信公众号知识资源聚合 |
| 5.4 基于标签聚类的微信公众平台知识推荐服务模式 |
| 5.4.1 微信公众平台知识推荐服务概述 |
| 5.4.2 基于标签聚类的微信公众平台知识推荐服务要素分析 |
| 5.4.3 基于标签聚类的微信公众平台知识推荐服务模式构建 |
| 5.5 本章小结 |
| 第6章 基于摘要生成的微信公众平台知识聚合及集成服务 |
| 6.1 微信公众平台文本知识摘要生成的内涵及作用 |
| 6.1.1 微信公众平台文本知识摘要内涵 |
| 6.1.2 微信公众平台文本知识摘要作用 |
| 6.2 基于TextRank算法的文本摘要生成过程及改进思路 |
| 6.2.1 基于TextRank算法的文本摘要生成方法及过程 |
| 6.2.2 基于TextRank算法的文本摘要生成方法改进思路 |
| 6.3 基于改进TextRank算法的微信公众平台知识摘要生成方法 |
| 6.3.1 基于TextTank算法的文本摘要生成方法改进 |
| 6.3.1.1 句子语义相似度计算 |
| 6.3.1.2 句子位置特征及标题相似度特征计算 |
| 6.3.1.3 基于MMR算法的句子冗余处理 |
| 6.3.2 融合用户需求与图模型的单文本知识摘要生成方法 |
| 6.3.3 融合主题与图模型的单领域多文本知识摘要生成方法 |
| 6.3.3.1 Doc2vec段落向量模型 |
| 6.3.3.2 微信公众平台单领域多文本知识摘要生成流程 |
| 6.4 实证研究—以“认知计算”领域为例 |
| 6.4.1 基于单文本知识摘要生成的微信公众平台知识聚合 |
| 6.4.2 基于单领域多文本摘要生成的微信公众平台知识聚合 |
| 6.5 基于摘要生成的微信公众平台知识集成服务模式 |
| 6.5.1 微信公众平台知识集成服务概述 |
| 6.5.2 基于摘要生成的微信公众平台知识集成服务要素分析 |
| 6.5.3 基于摘要生成的微信公众平台知识集成服务模式构建 |
| 6.6 本章小结 |
| 第7章 微信公众平台知识资源聚合及服务能力提升策略 |
| 7.1 用户知识需求外化表达及挖掘 |
| 7.1.1 提升用户知识需求外化表达能力 |
| 7.1.2 深入挖掘用户多层次知识需求 |
| 7.1.3 培养用户知识服务评价和反馈意识 |
| 7.2 加大新技术应用和融合改进 |
| 7.2.1 引入新技术,优化和改进知识聚合方法 |
| 7.2.2 知识聚合服务系统搭建和开发设计 |
| 7.2.3 应用可视化技术加强用户服务体验 |
| 7.3 微信公众平台创新服务理念及加强运营管理 |
| 7.3.1 加强主动知识服务意识,创新知识服务理念 |
| 7.3.2 构建和开展多元化平台知识服务模式 |
| 7.3.3 加强专业知识服务人才队伍建设 |
| 7.4 本章小结 |
| 第8章 研究结论与展望 |
| 8.1 研究结论 |
| 8.2 研究局限与展望 |
| 参考文献 |
| 附录 |
| 附录1 微信公众平台用户知识服务需求调查问卷 |
| 附录2 单领域多文本知识摘要生成示例 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）多源学术新媒体用户生成内容的知识聚合研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 选题背景 |
| 1.1.1 学术新媒体成为科研工作者学术交流的新途径 |
| 1.1.2 学术新媒体普遍存在低质量用户生成内容 |
| 1.1.3 用户需求促使学术新媒体知识聚合成为趋势 |
| 1.1.4 多源平台内容的知识聚合需求逐渐增长 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 学术新媒体国内外研究现状 |
| 1.3.2 新媒体用户生成内容国内外研究现状 |
| 1.3.3 新媒体知识聚合国内外研究现状 |
| 1.3.4 研究现状述评 |
| 1.4 研究内容与研究方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 1.5 本文创新点 |
| 第2章 相关概念及理论基础 |
| 2.1 学术新媒体内涵与特征 |
| 2.1.1 学术新媒体的内涵 |
| 2.1.2 学术新媒体的特征 |
| 2.2 用户生成内容概述 |
| 2.2.1 用户生成内容的内涵 |
| 2.2.2 用户生成内容的特征 |
| 2.2.3 用户生成内容的分类 |
| 2.3 知识聚合理论与方法 |
| 2.3.1 知识聚合的概念 |
| 2.3.2 知识聚合的方法 |
| 2.4 自然语言处理概述 |
| 2.4.1 自然语言处理概念 |
| 2.4.2 自然语言处理方法 |
| 2.5 本章小结 |
| 第3章 多源学术新媒体用户生成内容的知识聚合机理 |
| 3.1 多源学术新媒体用户生成内容知识聚合的内涵与类型 |
| 3.1.1 多源学术新媒体用户生成内容的知识聚合内涵 |
| 3.1.2 多源学术新媒体用户生成内容的知识聚合类型 |
| 3.2 多源学术新媒体用户生成内容知识聚合的要素 |
| 3.2.1 知识聚合主体 |
| 3.2.2 知识聚合客体 |
| 3.2.3 知识聚合的内容 |
| 3.2.4 知识聚合的环境 |
| 3.2.5 知识聚合的技术 |
| 3.3 多源学术新媒体用户生成内容的知识聚合动机 |
| 3.3.1 学术信息资源需求驱动 |
| 3.3.2 学术创新环境驱动 |
| 3.3.3 知识聚合主体收益驱动 |
| 3.3.4 科技进步驱动 |
| 3.3.5 多源学术平台资源驱动 |
| 3.4 多源学术新媒体用户生成内容的知识聚合过程 |
| 3.4.1 挖掘与解读用户需求 |
| 3.4.2 学术信息的数据处理 |
| 3.4.3 学术信息的质量评测 |
| 3.4.4 知识发现与聚合 |
| 3.4.5 学术知识推荐 |
| 3.5 多源学术新媒体用户生成内容的知识聚合机理模型 |
| 3.6 基于用户需求的多源学术新媒体用户生成内容知识聚合服务过程 |
| 3.7 本章小结 |
| 第4章 多源学术新媒体用户生成内容的质量评测 |
| 4.1 多源学术新媒体用户生成内容质量评测的目的 |
| 4.2 多源学术新媒体用户生成内容质量评测的过程与方法 |
| 4.2.1 多源学术新媒体用户生成内容质量评测的过程 |
| 4.2.2 多源学术新媒体用户生成内容质量评测方法 |
| 4.3 应用实例分析 |
| 4.3.1 数据集预处理与自动化特征提取 |
| 4.3.2 双层Bi-GRU模型训练 |
| 4.3.3 评价指标 |
| 4.3.4 结论与分析 |
| 4.4 本章小结 |
| 第5章 多源学术新媒体用户生成内容的知识主题生成 |
| 5.1 多源学术新媒体用户生成内容知识主题生成概念和目的 |
| 5.2 多源学术新媒体用户生成内容知识主题生成过程与方法 |
| 5.2.1 多源学术新媒体用户生成内容知识主题生成过程 |
| 5.2.2 多源学术新媒体用户生成内容知识主题生成方法 |
| 5.3 基于BiLSTM-CNN-CRF和 LDA的多源学术新媒体用户生成内容的知识主题生成模型 |
| 5.4 应用实例分析 |
| 5.4.1 结合BiLSTM-CNN-CRF和 LDA主题词生成 |
| 5.4.2 主题词过滤与融合 |
| 5.4.3 结论与分析 |
| 5.5 本章小结 |
| 第6章 多源学术新媒体用户生成内容的知识摘要生成 |
| 6.1 学术用户生成内容的摘要生成的概念及意义 |
| 6.2 多源学术新媒体用户生成内容摘要生成过程与方法 |
| 6.2.1 用户生成内容摘要生成过程 |
| 6.2.2 用户生成内容摘要生成方法 |
| 6.3 基于W2V-MMR的多源学术新媒体用户生成内容摘要生成方法 |
| 6.3.1 W2V-MMR算法的计算过程 |
| 6.3.2 多源学术新媒体用户生成内容摘要评价指标 |
| 6.4 应用实例分析 |
| 6.4.1 数据获取与预处理 |
| 6.4.2学术新媒体用户生成内容生成摘要实验 |
| 6.4.3 结论与分析 |
| 6.5 本章小结 |
| 第7章 多源学术新媒体用户生成内容的知识聚合精准推荐 |
| 7.1 多源学术新媒体用户生成内容知识聚合推荐的概念及目的 |
| 7.2 多源学术新媒体用户生成内容的知识聚合推荐过程与方法 |
| 7.2.1 多源学术新媒体用户生成内容的知识聚合推荐过程 |
| 7.2.2 多源学术新媒体用户生成内容的知识聚合推荐方法 |
| 7.3 基于用户兴趣度模型与传递相似度的多源学术新媒体用户生成内容的知识聚合精准推荐 |
| 7.3.1 基于用户兴趣度模型的精准推荐评分体系 |
| 7.3.2 基于用户相似性传递的用户共联网络 |
| 7.3.3 基于用户兴趣度模型与传递相似度的混合推荐 |
| 7.3.4 多源学术新媒体用户生成内容知识聚合的精准知识推荐服务 |
| 7.4 本章小结 |
| 第8章 提升多源学术新媒体知识聚合效果的策略 |
| 8.1 知识聚合主体层面 |
| 8.1.1 以用户为中心建立知识聚合理念 |
| 8.1.2 深入挖掘学术新媒体用户多层次的需求 |
| 8.1.3 完善学术新媒体平台内容质量监管和激励机制 |
| 8.1.4 合理规范学术新媒体内的主题与重点内容 |
| 8.1.5 学习与借鉴他源平台内容 |
| 8.2 知识聚合对象层面 |
| 8.2.1 促进学术用户积极互动 |
| 8.2.2 提升学术用户信息素养 |
| 8.2.3 提倡统一用词与语言凝练 |
| 8.2.4 提升多源平台交叉用户基数 |
| 8.3 知识聚合技术层面 |
| 8.3.1 改进大数据挖掘和人工智能技术 |
| 8.3.2 搭建学术新媒体的新型知识服务系统 |
| 8.3.3 建立多源学术新媒体的互联技术 |
| 8.3.4 应用学术知识可视化技术 |
| 8.4 知识聚合环境层面 |
| 8.4.1 营造良好的学术讨论氛围 |
| 8.4.2 加强学术新媒体平台之间的交流合作 |
| 8.4.3 加大学术新媒体平台的宣传力度 |
| 8.5 本章小结 |
| 第9章 研究结论与展望 |
| 9.1 研究结论 |
| 9.2 研究不足与展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（5）基于词向量扩展的语义检索模型研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究发展及现状 |
| 1.2.1 信息检索技术 |
| 1.2.2 查询扩展技术 |
| 1.2.3 搜索引擎技术 |
| 1.3 主要研究内容及贡献 |
| 1.4 本文组织结构 |
| 第二章 相关理论分析及总体设计 |
| 2.1 相关理论分析 |
| 2.1.1 信息检索技术 |
| 2.1.2 查询扩展技术 |
| 2.1.3 搜索引擎技术 |
| 2.2 总体设计 |
| 2.2.1 设计思路 |
| 2.2.2 总体框架 |
| 2.3 本章小结 |
| 第三章 基于词向量的语义扩展算法研究 |
| 3.1 本章算法研究思路 |
| 3.2 查询扩展算法问题与分析 |
| 3.2.1 存在的问题 |
| 3.2.2 改进方案 |
| 3.3 改进的语义扩展算法研究与设计 |
| 3.3.1 算法改进及关键技术设计 |
| 3.3.2 算法流程 |
| 3.4 改进后算法的验证与分析 |
| 3.4.1 实验设计与参数选取 |
| 3.4.2 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于词向量扩展的语义检索算法研究 |
| 4.1 本章算法研究思路 |
| 4.2 信息检索算法问题分析与改进 |
| 4.2.1 问题分析 |
| 4.2.2 改进方案 |
| 4.3 改进的语义检索算法的设研究与设计 |
| 4.3.1 算法研究与设计 |
| 4.3.2 算法流程 |
| 4.4 改进后的算法验证与分析 |
| 4.4.1 实验设计与参数选取 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 基于词向量扩展的语义检索模型的建立 |
| 5.1 需求分析 |
| 5.2 语义检索模型框架 |
| 5.3 模型各模块功能设计 |
| 5.3.1 数据获取模块 |
| 5.3.2 数据存储模块 |
| 5.3.3 词向量模块 |
| 5.3.4 查询扩展模块 |
| 5.3.5 语义检索模块 |
| 5.3.6 语义检索分析模块 |
| 5.4 检索界面展示 |
| 5.5 语义检索模型测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（6）基于深度文本匹配模型的智能问答系统问题相似度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 论文研究内容 |
| 1.3 论文组织结构 |
| 1.4 本文的主要贡献 |
| 第2章 文献综述和相关理论研究 |
| 2.1 文献综述 |
| 2.1.1 传统文本匹配模型 |
| 2.1.2 基于深度学习的文本匹配模型 |
| 2.2 词向量模型 |
| 2.2.1 词向量 |
| 2.2.2 语言模型 |
| 2.2.3 嵌入式词向量模型 |
| 2.2.4 全局信息词向量 |
| 2.3 神经网络 |
| 2.3.1 前馈神经网络 |
| 2.3.2 卷积神经网络 |
| 2.3.3 循环神经网络 |
| 2.3.4 Bi LSTM |
| 2.4 注意力模型 |
| 2.4.1 注意力机制模型 |
| 2.4.2 常见的几种注意力机制 |
| 2.5 模型融合技术 |
| 2.5.1 平均法 |
| 2.5.2 Stacking模型融合 |
| 2.5.3 Blending模型融合 |
| 2.6 激活函数 |
| 2.6.1 Sigmoid函数 |
| 2.6.2 tanh函数 |
| 2.6.3 整流线性单元(Re LU) |
| 第3章 基于模型融合的问题匹配模型 |
| 3.1 DSSM |
| 3.2 ESIM |
| 3.3 Siamese Network |
| 3.4 Decomposable Attention |
| 3.5 逻辑回归(Logistic Regression) |
| 第4章 实验与结果分析 |
| 4.1 实验概述 |
| 4.1.1 实验环境简介 |
| 4.1.2 实验数据集简介 |
| 4.1.3 模型评估指标 |
| 4.1.4 实验细节 |
| 4.2 模型实验设计与分析 |
| 4.2.1 模型对比分析 |
| 4.2.2 模型对比与分析 |
| 4.2.3 Attention可视化分析 |
| 4.2.4 模型融合结果 |
| 4.2.5 实验结果讨论 |
| 4.3 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录 |
| 致谢 |
（7）基于知识图谱的慢性病在线社区分面检索与信息推荐研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱 |
| 1.2.2 信息推荐 |
| 1.2.3 分面检索 |
| 1.2.4 研究问题的提出 |
| 1.3 研究内容与技术路线 |
| 1.3.1 论文的研究内容 |
| 1.3.2 论文的技术路线 |
| 1.4 论文的创新之处 |
| 1.5 论文的组织结构 |
| 2 相关理论基础 |
| 2.1 知识图谱的相关理论 |
| 2.1.1 知识图谱相关概念解析 |
| 2.1.2 知识图谱的框架 |
| 2.1.3 知识图谱的构建的关键技术 |
| 2.2 分面检索相关理论 |
| 2.2.1 分面体系框架与排序 |
| 2.2.2 分面分析 |
| 2.2.3 主题词表分面化改造 |
| 2.3 信息推荐的相关理论 |
| 2.3.1 信息推荐系统的发展 |
| 2.3.2 信息推荐系统模型 |
| 2.3.3 信息推荐关键技术 |
| 3 面向在线社区的慢性病知识图谱构建 |
| 3.1 面向在线社区的慢性病知识图谱构建分析 |
| 3.1.1 实体类型与属性分析 |
| 3.1.2 实体间主要关系分析 |
| 3.1.3 面向在线社区的慢性病知识图谱构建模型 |
| 3.2 基于机器学习的慢性病知识抽取 |
| 3.2.1 慢性病知识抽取的数据来源与实现流程 |
| 3.2.2 慢性病知识抽取方法 |
| 3.2.3 基于CTD-BLSTM的慢性病实体识别 |
| 3.2.4 基于CTD-BLSTM的慢性病实体关系抽取 |
| 3.3 面向在线社区的慢性病知识融合 |
| 3.3.1 面向在线社区的慢性病知识融合流程分析 |
| 3.3.2 慢性病领域知识的概念层融合 |
| 3.3.3 慢性病领域知识的本体层融合 |
| 3.3.4 面向在线社区的慢性病知识融合实现 |
| 4 基于知识图谱的慢性病在线社区分面检索 |
| 4.1 慢性病在线社区分面检索中应用知识图谱的目标与原则 |
| 4.1.1 慢性病在线社区分面检索中知识图谱的应用目标 |
| 4.1.2 慢性病在线社区分面检索中知识图谱应用的原则 |
| 4.2 基于知识图谱的慢性病在线社区分面检索模型 |
| 4.2.1 基于知识图谱的慢性病在线社区分面检索模型整体架构 |
| 4.2.2 需求导向的慢性病在线社区分面体系 |
| 4.2.3 基于用户体验的半固定化分面排序 |
| 4.2.4 基于查询意图识别与检索结果的分面体系展现控制机制 |
| 4.3 基于知识图谱的慢性病在线社区内容分面分类体系构建 |
| 4.3.1 慢性病知识图谱分面化改造基本思路 |
| 4.3.2 基于慢性病知识图谱的分面体系框架 |
| 4.4 基于语义关联的内容分面及焦点排序策略 |
| 4.4.1 基于知识图谱的分面及焦点语义关联分析 |
| 4.4.2 融合覆盖率与信息熵的分面排序策略 |
| 4.4.3 融合上下文情境与覆盖率的两阶段焦点排序策略 |
| 5 基于知识图谱的慢性病在线社区信息推荐 |
| 5.1 基于知识图谱的慢性病在线社区信息推荐的优势与原则 |
| 5.1.1 知识图谱应用于慢性病在线社区信息推荐中的优势分析 |
| 5.1.2 基于知识图谱的慢性病在线社区信息推荐标准 |
| 5.2 基于多来源数据的慢性病在线社区用户病情分析 |
| 5.2.1 面向慢性病在线社区用户病情分析的数据来源获取 |
| 5.2.2 面向慢性病在线社区用户病情分析的数据过滤与预处理 |
| 5.2.3 面向慢性病在线社区的用户病情画像构建 |
| 5.3 基于知识图谱的慢性病在线社区信息推荐实现 |
| 5.3.1 基于场景的慢性病在线社区信息推荐服务体系框架 |
| 5.3.2 慢性病社区中基于语义的同主题信息推荐模型 |
| 5.3.3 基于病情画像与兴趣的慢性病社区信息个性化推荐模型 |
| 5.3.4 基于情境的慢性病社区信息推荐模型 |
| 6 基于知识图谱的慢性病在线社区分面检索与信息推荐实证—以糖尿病为例 |
| 6.1 提升国内糖尿病在线社区信息服务的可行性和必要性分析 |
| 6.1.1 提升国内糖尿病在线社区信息服务必要性 |
| 6.1.2 提升国内糖尿病在线社区信息服务可行性 |
| 6.2 面向在线社区的糖尿病知识图谱构建 |
| 6.2.1 面向在线社区的糖尿病信息源 |
| 6.2.2 面向在线社区的糖尿病知识抽取 |
| 6.2.3 面向在线社区的糖尿病知识融合 |
| 6.2.4 面向在线社区的糖尿病知识图谱存储与可视化展示 |
| 6.3 基于知识图谱的糖尿病在线社区分面检索 |
| 6.3.1 基于知识图谱的糖尿病在线社区分面构建 |
| 6.3.2 基于知识图谱的糖尿病在线社区焦点词选取 |
| 6.3.3 基于知识图谱的糖尿病在线社区检索系统结果展示与分析 |
| 6.4 基于知识图谱的糖尿病在线社区信息推荐 |
| 6.4.1 基于多来源数据的糖尿病在线社区用户病情分析 |
| 6.4.2 基于用户个性化的糖尿病在线社区信息推荐 |
| 6.4.3 基于内容的糖尿病在线社区信息推荐 |
| 6.4.4 基于情境的糖尿病在线社区信息推荐 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 攻读博士期间科研情况 |
| 致谢 |
（8）基于NLP的在线学习者观点挖掘模型及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与问题 |
| 1.1.1 研究背景 |
| 1.1.2 研究问题 |
| 1.2 研究目标、内容与意义 |
| 1.2.1 研究目标 |
| 1.2.2 研究内容 |
| 1.2.3 研究意义 |
| 1.3 概念界定与研究现状 |
| 1.3.1 相关概念界定 |
| 1.3.2 观点挖掘 |
| 1.3.3 教育文本数据挖掘 |
| 1.3.4 相关研究述评 |
| 1.4 研究思路与方法 |
| 1.4.1 研究技术路线 |
| 1.4.2 学习者观点挖掘总体框架 |
| 1.5 论文组织结构 |
| 2 相关理论与技术基础 |
| 2.1 理论基础 |
| 2.1.1 信息加工学习理论 |
| 2.1.2 认知负荷理论 |
| 2.2 应用技术 |
| 2.2.1 自然语言处理 |
| 2.2.2 文本挖掘方法和技术 |
| 2.2.3 观点挖掘方法和技术 |
| 2.3 学习者观点挖掘 |
| 2.3.1 学习者观点挖掘可用资源 |
| 2.3.2 学习者生成文本预处理 |
| 2.4 本章小结 |
| 3 观点句处理及观点要素抽取 |
| 3.1 观点信息要素 |
| 3.1.1 观点抽象 |
| 3.1.2 学习者观点要素 |
| 3.2 基于规则的学习者观点句识别 |
| 3.2.1 非观点句识别 |
| 3.2.2 观点句识别 |
| 3.2.3 观点句识别算法 |
| 3.3 基于规则的句子压缩 |
| 3.3.1 句子内容压缩 |
| 3.3.2 句子压缩规则 |
| 3.4 观点句中属性抽取 |
| 3.4.1 LDA模型简介 |
| 3.4.2 约束抽取和整合 |
| 3.5 学习者观点极性分析 |
| 3.6 本章小结 |
| 4 结合语义关系的学习者观点挖掘(LAOM)模型构建 |
| 4.1 学习者观点语义关系获取 |
| 4.1.1 属性词之间语义关系 |
| 4.1.2 属性词与观点词之间语义关系 |
| 4.1.3 观点词之间的语义关系 |
| 4.1.4 语义关系融合 |
| 4.2 学习者观点挖掘(LAOM)模型 |
| 4.2.1 LAOM模型构建 |
| 4.2.2 抽取规则与算法 |
| 4.2.3 模型测试与验证 |
| 4.3 学习者观点挖掘原型系统 |
| 4.3.1 数据处理 |
| 4.3.2 观点句识别 |
| 4.3.3 实体及属性抽取 |
| 4.3.4 观点极性判断 |
| 4.3.5 五元组抽取 |
| 4.4 本章小结 |
| 5 LAOM模型在教师教学行为分析中的应用 |
| 5.1 学习者观点抽取 |
| 5.1.1 基于LAOM模型观点抽取 |
| 5.1.2 描述性统计分析 |
| 5.1.3 教师教学行为相关观点 |
| 5.2 教师教学行为编码 |
| 5.2.1 教师教学行为概述 |
| 5.2.2 教学行为SAT编码表 |
| 5.3 研究设计 |
| 5.3.1 研究对象 |
| 5.3.2 研究方法和工具 |
| 5.3.3 研究假设 |
| 5.4 研究过程 |
| 5.4.1 观点挖掘 |
| 5.4.2 数据编码 |
| 5.4.3 信效度检验 |
| 5.4.4 相关性分析 |
| 5.5 研究结论 |
| 5.6 本章小结 |
| 6 LAOM模型在教育资源质量评价中的应用 |
| 6.1 教育资源质量评价相关观点 |
| 6.2 资源质量评价编码 |
| 6.2.1 资源质量评价概述 |
| 6.2.2 资源质量评价PEI编码表 |
| 6.3 研究设计 |
| 6.3.1 研究对象 |
| 6.3.2 研究方法和工具 |
| 6.3.3 研究假设 |
| 6.4 研究过程 |
| 6.4.1 观点挖掘 |
| 6.4.2 数据编码 |
| 6.4.3 信效度检验 |
| 6.4.4 相关性分析 |
| 6.5 研究结论 |
| 6.6 本章小结 |
| 7 总结与展望 |
| 7.1 研究总结 |
| 7.1.1 研究总结与讨论 |
| 7.1.2 本文主要创新点 |
| 7.2 研究不足与展望 |
| 7.2.1 研究局限与不足 |
| 7.2.2 研究工作展望 |
| 参考文献 |
| 攻读博士学位期间取得的研究成果 |
| 附录 |
| 致谢 |
（9）面向信息搜索的混合式查询扩展技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 研究内容 |
| 1.3 论文结构 |
| 第2章 信息搜索及查询扩展技术 |
| 2.1 信息搜索 |
| 2.1.1 搜索引擎 |
| 2.1.2 信息搜索模型 |
| 2.1.3 信息搜索性能评价指标 |
| 2.2 查询扩展技术 |
| 2.2.1 基于全局分析的查询扩展方法 |
| 2.2.2 基于局部分析的查询扩展方法 |
| 2.2.3 基于搜索日志的查询扩展方法 |
| 2.2.4 基于语义资料的查询扩展方法 |
| 第3章 基于搜索日志与局部上下文的查询扩展方法 |
| 3.1 研究动机及思路 |
| 3.2 相关的基础方法 |
| 3.2.1 基于用户查询日志挖掘的查询扩展方法 |
| 3.2.2 基于局部上下文的查询扩展方法 |
| 3.2.3 查询性能预测方法 |
| 3.3 基于搜索日志与局部上下文的查询扩展方法 |
| 3.3.1 基本原理及相关定义 |
| 3.3.2 QEMSLLC的基本思想 |
| 3.3.3 数据稀疏和时效性问题判定规则 |
| 3.3.4 基于扩展词权重计算的候选集合并方法 |
| 3.3.5 QEMSLLC算法 |
| 3.4 实验与分析 |
| 3.4.1 实验基础环境 |
| 3.4.2 实验评价指标 |
| 3.4.3 实验数据集 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第4章 平衡流行性和相似性的混合式查询扩展方法 |
| 4.1 研究动机及思路 |
| 4.2 平衡流行性和相似性的混合式查询扩展方法 |
| 4.2.1 搜索日志聚类及日志扩展词集生成 |
| 4.2.2 基于本体生成语义类别集及语义扩展词集 |
| 4.2.3 语义覆盖度计算及基于证据理论合并规则融合两扩展词集 |
| 4.3 实验与分析 |
| 4.3.1 实验目的 |
| 4.3.2 实验评价指标 |
| 4.3.3 实验数据集 |
| 4.3.4 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 基于Copula理论的本体和局部上下文查询扩展方法 |
| 5.1 研究动机及思路 |
| 5.2 基于Copula理论的本体和局部上下文查询扩展方法 |
| 5.2.1 基本思想 |
| 5.2.2 词语间语义相似概率计算 |
| 5.2.3 词语间统计相似概率计算 |
| 5.2.4 基于Copula理论融合两扩展词集 |
| 5.3 实验与分析 |
| 5.3.1 实验目的 |
| 5.3.2 实验数据集 |
| 5.3.3 实验评价指标 |
| 5.3.4 实验结果与分析 |
| 5.4 本章小结 |
| 第6章 混合式查询扩展技术在成果地质资料搜索系统中的应用 |
| 6.1 研究动机及思路 |
| 6.2 成果地质资料搜索系统 |
| 6.3 借阅者查询与本文混合式查询扩展方法的映射方法 |
| 6.4 混合式查询扩展方法的应用 |
| 6.4.1 基于搜索日志与局部上下文的查询扩展的应用 |
| 6.4.2 平衡流行性与相似性的查询扩展的应用 |
| 6.4.3 基于Copula理论的本体和局部上下文查询扩展方法的应用 |
| 6.4.4 混合式查询扩展方法的综合应用 |
| 6.5 本章小结 |
| 第7章 结论 |
| 7.1 本文工作总结 |
| 7.2 下一步的研究工作 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间的主要成果 |
| 发表论文 |
（10）基于OPAC日志的高校图书馆用户提问调整模式研究——以北京师范大学图书馆为例（论文提纲范文）
| 1引言 |
| 2检索提问行为相关研究现状 |
| 3研究设计 |
| 3. 1 数据收集、抽样与编码 |
| 3. 2 提问调整模式的编码理论 |
| 4数据分析与讨论 |
| 4. 1 基本调整模式分析 |
| 4. 2 基于动态调整模式的子模式分析 |
| 4. 3 讨论 |
| 4.3.1 OPAC提问调整的基本类型与一般网页信息检索、图像检索具有较高的一致性 |
| 4.3.2在基本类型出现频繁程度上,重复模式、动态模式为出现最频繁的两种模式 |
| 4.3.3逐步缩检和平移模式出现频次都要高于逐步扩检模式 |
| 4.3.4 OPAC提问调整研究对现实的借鉴意义 |
| 5结语 |
四、检索词上下文相关提问扩展算法（论文参考文献）
- [1]少数民族服饰文化知识图谱的构建及应用研究[D]. 崔琳. 云南师范大学, 2021(08)
- [2]基于知识图谱的医疗问答系统[D]. 刘源. 电子科技大学, 2021(01)
- [3]面向用户知识需求的微信公众平台知识资源聚合及服务研究[D]. 程子轩. 吉林大学, 2021(01)
- [4]多源学术新媒体用户生成内容的知识聚合研究[D]. 陶兴. 吉林大学, 2020(08)
- [5]基于词向量扩展的语义检索模型研究[D]. 张莉. 电子科技大学, 2020(07)
- [6]基于深度文本匹配模型的智能问答系统问题相似度研究[D]. 马宇生. 上海师范大学, 2020(07)
- [7]基于知识图谱的慢性病在线社区分面检索与信息推荐研究[D]. 郑路. 华中师范大学, 2019
- [8]基于NLP的在线学习者观点挖掘模型及应用[D]. 胡萍. 华中师范大学, 2018(12)
- [9]面向信息搜索的混合式查询扩展技术研究[D]. 张书波. 东北大学, 2017(06)
- [10]基于OPAC日志的高校图书馆用户提问调整模式研究——以北京师范大学图书馆为例[J]. 黄崑,张路路,钟村,秦婷玉,郭建峰. 图书情报工作, 2015(23)