一、Linux常识问答（论文文献综述）
常安[1]（2021）在《基于深度学习的视觉问答系统研究与实现》文中进行了进一步梳理神经网络的发展和大型数据集的增多,以及计算机硬件运算能力的提升,使得基于深度学习的技术在单模态（图像、文字、语音）已经取得的巨大的发展和应用。但是,多模态理解和交互等人类高级认知和推理功能还是很弱。针对这个问题,本文研究多模态交互领域一个极其重要的研究课题——视觉问答（VAQ）。视觉问答涉及图像和文本两个模态的信息,由于卷积神经网络（CNN）和循环神经网络（RNN）分别在图像和文本上的突出表现,许多基于卷积网络和循环网络组合的模型在视觉问答任务中体现了很好地效果。随着注意力机制的出现,产生了许多基于注意力机制的模型,但是现有模型在整体准确率上仍然不是特别理想,尤其是在回答复杂的需要推理的问题以及计数问题方面。针对目前模型整体准确率不高的问题,本文提出一种基于分层联合注意力机制的视觉问答模型。随后针对现有模型回答复杂问题准确率低的问题,基于视觉推理思想提出基于推理网络的视觉问答模型。实验结果表明具有推理能力的模型回答复杂问题的准确率明显高于现有的其他方法。本文重点研究了基于深度学习的视觉问答模型,利用深度学习方法处理视觉问答任务,其主要研究内容包括:1)深入研究注意力机制,构建一个能够对图像和问题进行双向关注的分层联合注意力模型,使用分层注意力对问题特征进行多次提取,随后利用联合注意力构建图像-问题的特征映射,增强问题与图像的关联,实验证明分层联合注意力模型可以提高图像—问题之间的关联,提高结果准确性。2)针对模型在复杂问题上准确率不高的问题,基于视觉推理搭建推理网络模块使得模型可以提取复杂问题特征以提高模型的推理能力。3)使用Res Net-152提取深层次的图像特征,在问题注意力和视觉注意力的作用下构建视觉文本联合内存记忆向量,帮助模型推理预测答案,经过试验,在原有数据集的基础上对于复杂问题结果的预测取得了很好地效果。
丁贤锋[2]（2020）在《基于关系推理网络的视觉问答系统的研究》文中研究表明随着深度学习与神经网络技术逐渐取得突破性进展,计算机视觉与自然语言处理在各自领域取得了显着的成功,其中以卷积神经网络和递归神经网络为代表,在图像识别,图像检测,图像分割,语音识别,语音翻译等相关任务中发挥了重要的作用。而视觉问题系统结合计算机视觉和自然语言处理等技术,实现复杂场景下的智能问答,促进人机交互等人工智能应用的发展,越来越受到研究者的关注。与传统问答系统只接收文字信息导致答案预测失准不同,视觉问答系统提供了一个场景级的视觉信息,除了理解自然语言形式的问题,还结合图像提供的内容来进行预测,从而获得精准的答案。近年来,在诸多采集自真实世界的精准权威数据集如DAQUAR,VQA,COCO-QA等的推动下,踊跃出现多种视觉问答算法,如基于传统机器学习的算法、基于数据库搜索的算法、基于注意力机制的算法等。这些算法没有完全解决视觉问答系统需要达到的高精度和实时性的要求,从而影响了视觉问答系统进一步的发展。因此本文针对性地提出一种综合视觉信息和文本信息的视觉问答系统,通过设计注意力机制融合图像与问题的关联特征、嵌入关系推理网络预测答案,从而显着提升问答精度。本文主要工作如下:（一）提出一种双分支的卷积神经网络架构来提取图像特征信息,且在多层次的理解图像内容前提下,采用注意力融合机制来对图像-问题联合特征进行有效提取,从而通过提升多模态特征表达能力来提升视觉问答系统的答案预测精度。首先对于输入数据中的图像数据,采用Resnet模型和Faster＿RCNN模型作为两个图像特征提取分支分别对图像进行特征提取,得到全局图像特征和局部图像特征;然后,注意力融合机制同时考虑了两个视觉特征提取网络分支之间的相互关系,并由此获取多层次的图像-问题联合特征,该特征中包含与给定问题最相关的视觉特征信息;最后,将这两种注意力机制产生的注意力图进行非线性融合,从而产生图像-问题的联合特征。（二）将关系推理网络引入视觉问答系统中来提升系统对于多模态联合特征的关系推理能力,从而提升答案预测精度。传统视觉问答系统未能利用联合特征中的特征关系信息,导致在预测答案过程中使用遍历特征组合的方式,造成了大量的冗余信息。针对这一点,本文提出基于关系推理网络的视觉问答系统,将关系推理网络作为一种计算关系的特殊神经网络模块嵌入到视觉问答系统中,利用其对于特征之间关系的推理能力来进行特征组合的筛选,从而达到提升精度的目的。（三）将本文提出的模型分别在VQA和COCO-QA两个权威数据集下与现有模型做出了对比,并分别进行多模型对比实验和单模型消融性实验。对于多模型对比实验,在VQA数据集的标准测试分区和验证分区下,本模型的平均预测精度分别提升了1.5%～3.2%,在COCO-QA数据集的测试分区下,本模型的平均预测精度和标准WUPS提升了1.3%～2.6%和1.1%～2.4%;对于单模型消融性实验,在VQA数据集的标准测试分区下,根据消融性实验原理,本模型中创新子模块替换后的平均预测精度下降了1.7%～4.2%,其中替换了关系推理模块后的视觉问答模型相比于本模型精度下降了4.2%。实验结果证明,采用双分支的图像提取网络和注意力融合机制能够深入理解图像内容并产生高效的多模态联合特征信息,对于精度的提升起到一定的促进作用;使用关系推理网络嵌入不仅有效提高了模型预测的精度,而且参数数量保持平均以下水平,从而模型运行的速度不受显着影响。
刘奕[3]（2020）在《5G网络技术对提升4G网络性能的研究》文中提出随着互联网的快速发展,越来越多的设备接入到移动网络,新的服务与应用层出不穷,对移动网络的容量、传输速率、延时等提出了更高的要求。5G技术的出现,使得满足这些要求成为了可能。而在5G全面实施之前,提高现有网络的性能及用户感知成为亟需解决的问题。本文从5G应用场景及目标入手,介绍了现网改善网络性能的处理办法,并针对当前5G关键技术 Massive MIMO 技术、MEC 技术、超密集组网、极简载波技术等作用开展探讨,为5G技术对4G 网络质量提升给以了有效参考。
陈勇[4]（2020）在《基于知识图谱的智能系统在电力行业的应用》文中进行了进一步梳理互联网正迈向语义互联时代,知识图谱以其自身强大的语义理解能力,以及开放性和互联性,使得以语义互联为愿景的时代变得可能。随着国家电网业务的不断发展,电网运行管理的难度在逐步加大。目前最迫切的需求是提高电网的运行能力,电网调度的信息化集成水平以及电网标准化管理水平,因此国家电网各分公司和网省公司开始规划智能调度系统的研究工作,本文是以南瑞集团的智能调控云项目为背景,结合电气工程专业知识,构建一款基于电力行业知识图谱的智能系统。本文主要结合知识图谱和电力行业领域知识,主要的研究内容包括以下三个方面:（1）结合中文分类主题词表、知网行业名词规范、电力系统相关资料等内容构建出电力行业领域本体;通过对本体架构内容的扩展,使用分词、知识抽取、知识存储、网络爬虫等关键技术从结构化、半结构化、非结构化数据中抽取出三元组数据,最后构建出电力行业知识图谱,并将构建好的知识内容通过图数据库NEO4J进行存储。同时使用知识图谱可视化技术,将构建好的图谱进行展示;（2）基于构建好的知识图谱,通过使用AIML、KBQA、相似度计算等技术方案,设计出一款能解决电力行业业务流程规范化,电力行业基本数据查询,电力知识问答等问题的智能系统,同时对系统的正确率构建出测试方案,并最终给出系统针对电力行业问答的准确率;（3）结合HTML、JSON、PYTHON、JS、FLASK、DOCKER等技术设计出一款满足知识图谱可视化、智能对话系统、词条管理、用户登录等功能的智能系统,并结合服务器技术、IP映射、域名解析等技术,将系统构建于云服务器中对外发布。本文通过使用知识图谱构建技术,构建出电力行业的领域知识图谱,并通过知识图谱可视化技术进行展示,构建出一款智能问答系统,并设计对应的测试方案,最后给出系统的整体准确率。集成各分系统模块,通过设计、研发、发布,给出系统运行实例和完整的技术方案。本系统解决了电力行业业务流程规范化,电力行业基本数据查询和电力知识问答等关键问题。
袁帅[5]（2020）在《基于深度学习的知识库问答系统研究》文中指出基于知识库的问答一直是自然语言领域的热门研究方向,由于自然语言处理技术的发展和许多高质量知识库出现,以文本为主要形式的传统知识库自动问答系统已经可以达到较为令人满意的效果,相关成果也被广泛的应用于实际生活中各项智能服务中。近几年随着服务范围的扩大和业务需求的升级,传统的知识库及相关的问答技术已经愈发难以满足实际生活中相关任务的功能需求。从知识形式看,传统的知识库以文本知识信息为主,而目前的问答任务更多的需要结合多模态信息;从知识内容看,传统的知识库主要以静态的名词性概念为主,缺少动作、事件等动态化和序列化的知识信息。新型知识库的构建,新型知识表示以及如何利用其解决新型的问答任务都有待探索。本文的工作以此为出发点,对上述研究问题进行大胆的尝试。本文的主要创新点和贡献可以归纳到以下两个部分:在针对日常事件和动作的问答任务中,得到答案往往需要对动作和事件的序列关系进行捕捉和推理。本文借鉴了针对文本序列处理的深度神经网络模型,提出了一个序列知识表示学习的统一模型,可以获取基于序列上下文信息的序列知识表示。针对多模态序列问题,提出了一个模态融合的序列表示模型。选取RecipeQA数据集中的三个多模态问答任务作为验证任务。本文提出的模型在三个任务中都超过了数据集官方排行榜中的最优结果。最后通过实验证明了该模型可以学习到有效的序列语义表示以支持后续的推理和判断,并且可以有效地融合不同模态的序列信息。从实际应用出发,一些日常服务类智能系统或者机器人经常会需要回答针对过程、动作和步骤等的序列性概念的问题。针对目前缺乏面向人类日常活动的知识库,以及缺乏利用知识库解决非传统文本问答的研究这两个问题。本文以Charades数据集为基础,创新性的构建了一个多模态的日常活动知识库。知识库中包含关于人们日常活动中原子动作和原子动作序列的相关多模态知识。本文还为新知识库构建了相应的的基准测试集,任务形式是基于知识库解决视频序列问答问题。在提出对应的基线模型的过程中,提出了一种基于向量匹配的知识库查找方法,解决了以非文本信息为查询项的知识库匹配问题。最后,通过对比试验,证明了基于知识库回答视频形式问题方法的有效性。
彭鑫[6]（2020）在《基于中文知识图谱的金融领域问答系统的研究与实现》文中认为随着互联网的飞速发展,问答系统为用户提供智能知识服务而受到青睐。本文从金融领域的角度出发,针对用户所提问句的不确定性和多样性,对金融领域中文数据进行分析梳理和结构化,构建了知识图谱,研究并实现了基于中文知识图谱的金融领域问答系统（CF-KGQA）。主要工作如下:1.获取与存储数据,构建了具有金融领域特性知识图谱。（1）搭建了一套一主十从的分布式爬虫系统,且为保障数据存储的安全,搭建了可主从备份的数据库集群。（2）定义知识图谱中实体、实体间关系的概念。在构建知识图谱时,不仅要考虑金融领域特性设计图谱结构,还要根据问答系统的实际需求不断进行调整。2.提出了基于深度学习的金融领域问句语义依存分析方法。提出了一种基于讯飞开放平台的语义依存图分析（Semantic Dependency Graph Parsing,SDGP）、双向长短期记忆网络（Bidirectional Long Short-Term Memory,BLSTM）和条件随机场（Conditional Random Field,CRF）的语义依存分析方法（DR-BLSTM-CRF）。（1）结合BLSTM和CRF的命名实体识别（Named Entity Recognition,NER）算法对问句进行命名实体识别,获得一个包含字符标签信息的序列。（2）采用基于讯飞开放平台Web API对问句进行语义依存图分析,获得一个包含语义依存信息的句子表示,再结合（1）中的命名实体识别结果,通过依赖缩减得出更为准确的语义依存图。实验结果表明,在自建的约140000条金融领域问句数据集上,本文提出的方法与语言技术平台（Language Technology Platform,LTP）的语义依存分析效果相比,准确率、召回率和F1值分别提高33.4%、33.9%和34.2%,该方法可以有效地对金融领域问句进行语义依存分析。3.设计并实现了基于知识图谱的问答系统。在之前理论和实验基础上,将知识图谱和基于深度学习的金融领域问句语义依存分析方法应用于问答系统,设计知识图谱模块、前端展示模块和问答模块三大功能模块,并将问答结果在网页以动态图的形式进行展示。
张琪[7]（2020）在《基于外部知识和记忆网络的句子对建模技术研究》文中认为随着自然语言理解技术的发展,诸如问答系统、智能客服对话等智能系统应用愈发广泛。智能系统的本质是建模自然语言句子,充分理解自然文本的语义,进而执行相应的任务。句子对建模（Sentence Pair Modeling）为自然语言理解的基本任务,它旨在建模两个句子的语义信息并判别其间的语义关系。因此,关于句子对建模的研究有助于下游自然语言理解任务,如自然语言推理和释义识别。当前基于神经网络的句子对建模方法大多仅依赖于训练语料,一方面,其不能有效地学习到模型理解文本的过程中需要的外部常识知识;另一方面,句子对建模过程中文本受关注的部分会随着模型对句子理解程度的变化而动态变化,因此模型需要多轮的深度信息交互处理而非简单的神经网络节点计算。因此,本文将外部常识知识和带有多轮交互的记忆网络引入文本建模方法中,进而实现高性能句子对建模的目标。本文主要的工作与贡献包括:（1）知识自适应神经网络模型:该模型从外部知识库中获取和句子相关的三元组形式的常识知识,然后通过知识吸收门将编码后的外部常识知识自适应地引入神经网络模型中,最后,模型经过知识化的信息聚集和文本推理进行语义推断和关系预测。该模型的创新点在于,在句子建模过程中引入外部知识从而得到关于事实知识的先验,通过自适应地吸收常识知识进而实现更准确的语义推断。（2）双残差记忆网络模型:该模型首先通过多样化注意力机制获得句子级和词级的句子记忆信息,形成双记忆结构。其次,模型基于残差记忆模块进行多轮语义推理从而进行最终文本语义预测。该模型的创新点在于,模型在不同的信息粒度层面得到关于句子的语义信息,并基于该丰富的信息进行多轮动态的信息交互,进而准确地捕捉句子的关键词信息,为后续的语义判断提供可靠的依据。（3）基于句子对建模的主观题自动评分系统:该系统基于上述两个句子对建模模型,为用户提供可靠的文本自动评分服务。针对用户输入的待评文本和标准参考文本,该系统返回给用户待评文本的评分结果并可视化评分细节,以帮助用户更好地理解模型的预测依据。该系统基于Browser/Server架构实现,简洁易用,可随时为用户提供评分服务。
李洁[8]（2019）在《数据驱动下数字图书馆知识发现服务创新模式与策略研究》文中进行了进一步梳理我们已经从信息时代走进了数据驱动的“智能时代”,数据成为人们认识和解决问题的新的逻辑起点。“数据驱动”打破了基于知识解决问题的思维桎梏,形成了从问题到数据又回归问题的新方法论认识——基于数据解决问题。这一研究范式将数字图书馆知识发现服务从对问题本源的探索推向知识服务的本真,可以说,从数据直面用户、管理和服务为大数据环境下的数字图书馆知识发现服务供给侧的改革提供了一种新思路:知识发现服务要改变的不只是管理技术、管理规则或服务形式,而要涉及整个管理理念和服务体系。而大数据环境中,数字图书馆信息发生源越来越多,数据产出量越来越大,数字资源增长速率越来越快,数据异构性越来越明显,数据老化节奏越来越快,低价值密度隐患的知识饥渴和数据海啸的矛盾越来越突出,用户对发现服务的需求越来越多元,数字图书馆数据资源正面临着重新被发现的挑战。迎面变化和挑战,数字图书馆的知识发现服务不单要完成从文献数字化到内容数据化的知识组织转型,更应实现数字资源从内容数据化到数据智能化的价值开发和智慧洞见。数据驱动的科研范式开辟了知识发现的新路径,开启了数字图书馆知识服务的时代新转型。探索数据驱动理念下的数字图书馆知识发现服务模式的新形态,需要学习、内化数据科学相关理论,需要剖析知识发现的驱动要素和作用机制,需要打破传统的资源发现固化模式,创建知识发现服务的创新生态功能圈。融合数据驱动和知识发现的双重技术优势,数字图书馆知识发现服务创新模式应趋从数据化、数据向知识转化的语义关联、可视化和智能化驱动维度寻求用户数据、内容资源数据、专家数据、业务数据的新协同,开发用户画像、研究设计指纹、精准文献推荐等的新应用,强化数据的集群整合、提升平台的绿色联通、实现用户界面的友好交互,使数字图书馆成为支持用户知识探索与发现创造的智能服务系统,使数据资源最大化的进行价值开发与知识转化,使用户随时随地都能受益于数字图书馆高效、便捷、友好与智能的知识发现服务体验。基于此,本文通过对数据驱动、知识发现研究成果的追本溯源,界定数据驱动下的数字图书馆知识发现服务的核心理念;通过文献分析、调查访谈、仿真实验、模型训练等方法的综合运用,分析数字图书馆知识发现服务创新的数据环境、驱动机制、创新模式、模式应用以及创新策略制定。围绕主要研究内容,本文第三章从数据环境特征、数据环境变化和数据环境开发分析数据驱动下的数字图书馆知识发现服务的机遇与挑战;第四章结合数据要素、数据驱动过程、数据驱动维度探讨数字图书馆知识发现服务的数据驱动动力机制、流机制、协同驱动机制和数据驱动控制机制;第五章通过对数字图书馆知识发现服务模式创新衍变的内在使命分析,指出数字图书馆知识发现服务创新模式的构建依据、构建基础和构建过程;第六章对数字图书馆知识发现服务创新模式进行具体的用户画像、研究设计指纹、文本推荐和多粒度检索决策应用;第七章针对数字图书馆知识发现服务创新模式的具体瓶颈给出各驱动维度的应对策略。具体内容阐述如下:第3章数据驱动下数字图书馆知识发现服务的数据环境分析本章是对大数据驱动环境下的数字图书馆知识发现服务场域的情境解构。首先,基于大数据的4V特征,面向全数据,分析数字图书馆知识发现服务在数据形态、存在方式、存储模式、存储内容、数据价值等方面的特性。其次,探讨数据化、新一代信息技术、数据分析思维、数据密集型科学发现范式影响下的数字图书馆知识发现服务革新的优劣利弊。最后,基于环境特性和环境变化的双向作用状态定位数字图书馆知识发现服务发展的开发方向。明确本文研究目的的同时,引出4、5、6、7章节的主要研究任务。第4章数字图书馆知识发现服务创新的数据驱动机制分析本章作为第5章的铺垫,详细解析数字图书馆知识发现服务平台的数据要素和驱动作用形式。通过用户数据、资源内容数据、专家数据的分类界定,为第6章科研用户画像、研究设计指纹、精准文献推荐等的服务模式应用提供数据基础;通过数据化、语义关联、可视化、智能化的数据驱动维面的层级解构,为第7章的创新策略制定奠定优化主线;基于数据要素、驱动过程和驱动维面,从内外力作用的动力机制、输入-输出的流机制、数据融合的协同驱动机制以及数据驱动控制机制具体呈现数据驱动与知识发现服务交互融合的催化反应。第5章数据驱动下数字图书馆知识发现服务创新模式研究在前文研究的基础上,本章首先对数据驱动下数字图书馆知识发现服务创新模式的构建进行内在逻辑分析;其次,从资源发现既有模式、知识产品和技术支持方面阐述实现数字图书馆知识发现服务创新的外在基础;最后,综合内在逻辑和外在基础,进行创新模式的基础框架和平台架构的初步解构,并在此基础上进行数据驱动下的数字图书馆知识发现服务创新功能圈构建。第6章数据驱动下数字图书馆知识发现服务创新模式应用研究本章在第5章提出的创新模式的基础上,分别利用科研用户数据进行数字图书馆百度发现的科研用户画像构建,利用文献数据进行以研究对象、研究问题与研究方法为核心要素的研究设计指纹构造,结合用户画像和研究设计指纹实现精准文献推荐,并通过用户检索实验验证多粒度检索决策的优势。第7章数据驱动下数字图书馆知识发现服务创新策略研究基于第4章对数据驱动维度和驱动机制的分析,本章旨在明确数据化、语义化、关联化、可视化和智能化驱动的创新方向并进行相应的优化路径设计,针对数字图书馆知识发现服务创新的制约因素,给出切实可行的解决方案与对策建议。大数据环境下,重新界定数据驱动下的数字图书馆知识发现服务的内涵、探讨数字图书馆知识发现服务的数据驱动机制、创新数字图书馆既有的资源发现服务模式,有利于从方法论认识层面为数字图书馆知识发现服务的供给侧改革提供理论支持。数字图书馆知识发现服务的意义不仅在于它的统一检索及其延伸功能,更在于此基础上辅助科学发现的循证决策、智能管理和知识再造的服务价值。在人类不断探索未知与努力认识未知的道路上,数据驱动+知识发现的催化反应为科学发现的方法探索提供了一个可行参考,推动着数字图书馆知识发现服务在不断革新的历程中惠及更多的求知受众。
刘沛骞[9]（2019）在《基于词向量的开放关系抽取与分类技术研究》文中研究说明关系抽取是一类重要的信息抽取（Information Extraction,IE）任务,旨在从无结构或半结构的自然语言文本中抽取实体间的关系信息。传统的关系抽取大部分是抽取预定义的关系,为抽取新的关系,需要编写新的关系抽取规则或标注新的数据集。而大规模真实文本中包含着非常丰富的实体关系,难以全部预先定义,为了有效获取这些信息,Banko 等于 2007 年提出了开放关系抽取（Open Relation Extraction,ORE）的任务,旨在尽可能抽取大规模文本中存在的各类实体关系。近十年来,研究者们发布了许多开放关系抽取系统。然而,目前的ORE系统在抽取性能方面还存在问题,比如抽取出不符合事实的关系三元组,并且在抽取效率方面还不能满足处理大规模Web文本的需求。另一方面,虽然ORE系统可以从文本中抽取出所有类别的关系,但一些下游任务只对少量特定的关系类别关系感兴趣。所以,开放关系的分类对下游应用具有重要价值,但目前还没有对开放关系分类的相关研究。本文在前人研究的基础上开展工作。主要内容和贡献包括:（1）提出了一种基于词向量的开放关系抽取模型。近年来出现的绝大多数ORE系统都是建立在有监督学习或依存分析基础上的,这不仅需要有标的训练语料,而且需要使用外部的NLP（Natural Language Processing）工具,这会导致错误传播和效率下降。本文提出一种新的开放关系抽取方法。该方法用基于Skip-gram模型的词向量距离计算候选三元组的可信度。基于贝叶斯理论的分析结果表明,本文所使用的可信度近似于候选三元组三元素联合概率的极大似然估计。进一步的实验结果表明所提出的算法在公开的WEB-500&NYT-500数据集上取得了 67.0%的F1值,超过了一些最新的ORE系统。（2）提出了一种面向开放关系分类的半积极学习算法。ORE系统的抽取结果中包含所有类别的关系,但一个具体的下游任务只需要使用少量特定类别的关系,且不同的下游任务感兴趣的关系类别也不相同。所以,对抽取的开放关系进行分类对下游应用具有重要价值。本文提出了一种对开放关系进行分类的半积极学习算法,SemiE。该算法是一种基于词向量的学习方法,只存储每个分类的“中心点”。其训练的时间复杂度为O（n）,预测的时间复杂度和空间复杂度都是O（k）,其中n为训练样例的数目,k为分类的数目。实验结果表明SemiE在SemEval-2010 Task 8数据集取得的F1值为84.6%,与最新的基于深度学习的语义关系分类模型具有相当的性能,但训练的时间复杂度较低。（3）提出了一种基于单词信息量的短语向量表示模型用于进一步提升开放关系抽取和分类模型的性能。在实体关系三元组中,实体和关系往往是用短语而非单词表示,为此,本文提出了一种新的短语向量模型计算短语向量表示。该模型基于短语中单词的信息量计算短语的向量表示。这是一种带权的向量累加方法,通过强化短语中“重要”词汇而弱化其中的“次要”词汇来更好的反映短语的语义。将所提出的短语向量表示应用于开放关系抽取与分类中,实验结果表明在WEB-500&NYT-500 数据集上的F1值为69.0%,在 SemEval-2010 Task 8数据集的F1值为85.1%,进一步提升了开放关系抽取和分类的性能。（4）实现了一个基于上述技术的开放关系抽取系统。该系统以纯文本或HTML文本为输入,输出一组开放关系三元组,每个三元组都带有基于Skip-gram模型词向量计算的可信度。
钟琳倩[10]（2019）在《基于云平台的睡眠监护软件的设计与实现》文中指出睡眠是一种重要的生理自然需求,是机体免疫系统自我修复、内脏器官排毒的重要时段。每个人的健康都离不开作息规律、高质量的睡眠。随着生活节奏的加快,越来越多的人出现各种睡眠问题,并且在有睡眠问题的患者中还有相当多的人没有得到合理的诊断和治疗。由于人们缺乏对睡眠障碍的认识,并且不能采取适当的方法改善睡眠状况,因此监测一个人的睡眠过程并分析其睡眠特征,对于改善人们的睡眠质量、预防心血管疾病等都具有重要意义。睡眠监测是一种有效评估睡眠质量的手段,由于利用医疗装置进行睡眠监测的成本较高,故近年来既廉价又可以在家庭使用的无拘束式睡眠质量监测装置受到了广泛的市场需求。本课题利用Sleepace享睡RestOn智能睡眠监测器来完成对人体的呼吸信号、心跳信号及体动状态的采集,然后通过WiFi模块将打包后的数据发送至云服务器端。云服务器端主要包括三个模块,数据接收模块用于接收并解析数据;数据处理模块完成对睡眠质量的判断,本课题使用改进后的朴素贝叶斯睡眠分期算法对预处理后的数据进行分析来获得各睡眠阶段所占时间,以此来生成睡眠质量报表;数据存储模块用于存放用户基本信息及用户睡眠质量评估的参数。Web端软件实现的主要功能是将睡眠者的睡眠质量结果呈现给用户。本文首先概述了研究背景和国内外发展现状,在此基础上分析了智慧睡眠监护系统的整体结构,提出了本文研究重点:睡眠监护软件。结合需求分析,设计了基于B/S架构的软件总体开发方案。采用分层设计思想,将软件体系结构分为三层:用户界面层、业务逻辑层和数据服务层。然后根据需求分析,完成软件的功能模块和数据库设计。在此基础上详细阐述了改进后的朴素贝叶斯睡眠分期算法的实现方法,并对睡眠监测、我的设备、助眠工具、个人中心及医养结合这五个重要功能模块进行了具体论述。最后验证了睡眠监护软件的正确性和可靠性,阐述了软件功能测试结果和性能测试结果。测试结果表明,睡眠监护软件符合项目需求,达到预期目标。
二、Linux常识问答（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、Linux常识问答（论文提纲范文）
（1）基于深度学习的视觉问答系统研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容 |
| 1.4 本文组织结构 |
| 第二章 深度学习与视觉问答技术分析 |
| 2.1 深度学习技术研究 |
| 2.1.1 激活函数 |
| 2.1.2 损失函数 |
| 2.1.3 优化方法 |
| 2.2 视觉问答系统 |
| 2.2.1 视觉问答任务 |
| 2.2.2 模型训练过程 |
| 2.3 图像特征提取 |
| 2.3.1 VGGNet网络 |
| 2.3.2 残差网络 |
| 2.4 问题特征提取 |
| 2.4.1 循环神经网络 |
| 2.4.2 门控循环单元 |
| 2.5 注意力机制 |
| 2.5.1 Encoder-Decoder框架 |
| 2.5.2 软注意力机制 |
| 2.5.3 硬注意力机制 |
| 2.6 特征融合 |
| 2.7 本章小结 |
| 第三章 基于深度学习的视觉问答模型 |
| 3.1 模型框架 |
| 3.2 特征提取 |
| 3.2.1 图像特征提取 |
| 3.2.2 问题特征提取 |
| 3.3 问题特征分层关注 |
| 3.4 联合注意力 |
| 3.5 答案预测 |
| 3.6 实验设计与结果分析 |
| 3.6.1 数据集 |
| 3.6.2 评价标准 |
| 3.6.3 实验设置 |
| 3.6.4 结果与分析 |
| 3.7 本章小结 |
| 第四章 基于推理网络的视觉问答模型 |
| 4.1 关系网络 |
| 4.2 模型框架 |
| 4.3 多注意力机制的推理网络 |
| 4.3.1 特征提取 |
| 4.3.2 注意力机制 |
| 4.3.3 答案推理 |
| 4.4 实验设置与结果分析 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 发表论文和参加科研情况说明 |
| 致谢 |
（2）基于关系推理网络的视觉问答系统的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 关键技术发展现状 |
| 1.2.2 视觉问答算法发展现状 |
| 1.2.3 数据集发展现状 |
| 1.3 研究内容 |
| 1.4 组织结构 |
| 第二章 神经网络模型与关系推理网络模型介绍 |
| 2.1 人工神经网络 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络模型 |
| 2.2.2 前馈计算 |
| 2.2.3 反馈计算 |
| 2.3 递归神经网络 |
| 2.3.1 经典递归神经网络 |
| 2.3.2 门控循环单元(GRU) |
| 2.4 关系推理网络 |
| 2.5 本章小结 |
| 第三章 基于关系推理网络的视觉问答系统 |
| 3.1 网络架构 |
| 3.2 双分支卷积神经网络提取图像特征 |
| 3.2.1 提取全局图像特征 |
| 3.2.2 提取局部图像特征 |
| 3.3 文本特征提取 |
| 3.4 注意力融合机制的应用 |
| 3.4.1 联合特征嵌入 |
| 3.4.2 分层次的注意力机制融合 |
| 3.4.3 共同特征融合 |
| 3.5 关系推理模块的设计与实现 |
| 3.5.1 关系推理网络模型设计 |
| 3.5.2 预训练关系推理网络 |
| 3.6 本章小结 |
| 第四章 实验设计与结果分析 |
| 4.1 实验准备 |
| 4.1.1 实验数据集 |
| 4.1.2 实验环境 |
| 4.1.3 评估标准 |
| 4.2 实验设计及结果分析 |
| 4.2.1 模型训练细节 |
| 4.2.2 多模型对比实验设计及结果分析 |
| 4.2.3 单模型消融性实验设计及结果分析 |
| 4.3 实验结果可视化 |
| 4.3.1 子模块生成效果图可视化 |
| 4.3.2 模型输出示例 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）5G网络技术对提升4G网络性能的研究（论文提纲范文）
| 引言 |
| 1 4G网络现处理办法 |
| 2 4G网络可应用的5G关键技术 |
| 2.1 Msssive MIMO技术 |
| 2.2 极简载波技术 |
| 2.3 超密集组网 |
| 2.4 MEC技术 |
| 3 总结 |
（4）基于知识图谱的智能系统在电力行业的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 本文研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱关键技术 |
| 1.2.2 知识图谱应用领域 |
| 1.2.3 知识图谱在电力行业的应用 |
| 1.3 研究内容及意义 |
| 1.3.1 研究内容 |
| 1.3.2 主要研究贡献 |
| 1.4 本文组织结构 |
| 第2章 关键技术相关理论研究综述 |
| 2.1 本体理论 |
| 2.1.1 本体的定义 |
| 2.1.2 本体编辑工具 |
| 2.1.3 本体构建方法 |
| 2.2 语义相似度计算 |
| 2.2.1 语义相似度的概念 |
| 2.2.2 基于余弦算法的相似度 |
| 2.3 知识图谱构建 |
| 2.3.1 知识抽取 |
| 2.3.2 知识融合 |
| 2.3.3 知识存储 |
| 2.4 Web爬虫框架 |
| 2.5 问答系统 |
| 2.5.1 问答系统基本发展 |
| 2.5.2 问答系统主要实现方法 |
| 2.5.3 基本问答系统框架 |
| 2.6 同义词词林 |
| 2.6.1 同义词词林基本介绍 |
| 2.6.2 编码介绍 |
| 2.7 本章小结 |
| 第3章 电力行业的领域知识图谱构建 |
| 3.1 电力行业本体构建 |
| 3.2 电力行业知识抽取 |
| 3.2.1 结构化数据抽取 |
| 3.2.2 半结构化数据抽取 |
| 3.2.3 非结构化数据抽取 |
| 3.3 电力行业知识存储 |
| 3.3.1 NEO4J数据库 |
| 3.3.2 知识存储设计方案 |
| 3.4 电力行业知识图谱 |
| 3.5 本章小结 |
| 第4章 基于电力知识图谱的问答系统实现方案 |
| 4.1 问答系统框架设计 |
| 4.1.1 问答系统整体实现方案 |
| 4.1.2 语义解析模块 |
| 4.1.3 语义相似度计算模块 |
| 4.2 基本单轮对话模块 |
| 4.2.1 基于AIML的问答实现 |
| 4.2.2 基于问答对的单轮对话 |
| 4.3 基本多轮对话模块 |
| 4.3.1 多轮对话模块设计方案 |
| 4.3.2 多轮对话模块基本流程 |
| 4.3.3 多轮对话模块实现 |
| 4.4 问答服务系统功能测试 |
| 4.4.1 问答系统测试方法 |
| 4.4.2 问答系统测试 |
| 4.5 本章小结 |
| 第5章 系统整体实现与运行 |
| 5.1 系统结构设计 |
| 5.1.1 系统开发环境 |
| 5.1.2 系统整体结构 |
| 5.1.3 系统整体模块描述 |
| 5.2 知识图谱可视化展示 |
| 5.2.1 后台处理 |
| 5.2.2 前端展示 |
| 5.3 单轮对话 |
| 5.4 多轮对话 |
| 5.5 对话管理模块 |
| 5.5.1 注册模块 |
| 5.5.2 登录模块 |
| 5.5.3 对话管理模块 |
| 5.6 智能调控云基本功能演示 |
| 5.6.1 基本对话 |
| 5.6.2 操作票查询 |
| 5.6.3 操作票插入 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 在读期间发表的学术论文及研究成果 |
| 致谢 |
（5）基于深度学习的知识库问答系统研究（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 国内外研究历史与现状 |
| 1.2.1 知识库 |
| 1.2.2 自动问答 |
| 1.3 本文的主要贡献与创新 |
| 1.4 本论文的结构安排 |
| 第二章 相关理论与技术 |
| 2.1 知识库及知识表示 |
| 2.1.1 主流知识库介绍 |
| 2.1.2 知识表示 |
| 2.2 基于深度学习的自然语言处理技术 |
| 2.2.1 词的表示学习 |
| 2.2.2 RNN |
| 2.2.3 卷积神经网络 |
| 2.2.4 基于注意力机制的神经网络结构 |
| 2.3 基于知识库的问答任务 |
| 2.3.1 基于语义解析的知识库问答 |
| 2.3.2 基于信息抽取的知识库问答 |
| 2.4 本章小结 |
| 第三章 序列知识表示模型 |
| 3.1 引言 |
| 3.2 相关模型与技术 |
| 3.2.1 Bi-LSTM |
| 3.2.2 ResNet模型 |
| 3.2.3 自注意力机制和多头注意力机制 |
| 3.3 数据集及任务介绍 |
| 3.4 序列知识表示学习模型 |
| 3.4.1 模型结构 |
| 3.4.2 步骤表示层 |
| 3.4.3 序列关系提取层 |
| 3.4.4 序列表示层 |
| 3.5 模态融合序列知识表示学习模型 |
| 3.5.1 模型结构 |
| 3.5.2 目标模态模块 |
| 3.5.3 答案预测 |
| 3.6实验 |
| 3.6.1 实验设置 |
| 3.6.2 实验结果与分析 |
| 3.7 本章小结 |
| 第四章 基于日常活动知识库的问答 |
| 4.1 引言 |
| 4.2 日常活动知识库的构建 |
| 4.2.1 Charades数据集介绍 |
| 4.2.2 原子动作 |
| 4.2.3 动作流 |
| 4.2.4 知识库构建结果 |
| 4.3 问答数据集构建 |
| 4.3.1 数据集分割 |
| 4.3.2 问答任务构建 |
| 4.4 基于日常活动知识库的问答 |
| 4.4.1 基线问答模型 |
| 4.4.2实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 工作展望 |
| 致谢 |
| 参考文献 |
（6）基于中文知识图谱的金融领域问答系统的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容与论文结构 |
| 第2章 问答系统相关技术 |
| 2.1 数据获取 |
| 2.2 数据存储 |
| 2.2.1 关系型数据存储 |
| 2.2.2 非关系型数据存储 |
| 2.3 实体识别 |
| 2.3.1 基于规则和词典的方法 |
| 2.3.2 基于统计模型的方法 |
| 2.3.3 基于深度学习的方法 |
| 2.4 实体链接 |
| 2.5 语义抽取 |
| 2.5.1 基于统计学习的语义抽取方法 |
| 2.5.2 基于语法解析的语义抽取方法 |
| 2.5.3 各类语义抽取方法的比较分析 |
| 2.6 Cypher |
| 2.7 本章小结 |
| 第3章 问答系统数据的获取与存储 |
| 3.1 基于Pyspider的数据获取方案 |
| 3.2 基于Mysql的数据存储方案 |
| 3.3 基于Neo4j的数据存储方案 |
| 3.4 本章小结 |
| 第4章 基于深度学习的金融领域问句语义依存分析 |
| 4.1 基于DR-BLSTM-CRF的金融领域问句语义依存分析 |
| 4.1.1 BLSTM |
| 4.1.2 BLSTM-CRF |
| 4.1.3 DR-BLSTM-CRF |
| 4.2 实验及相关说明 |
| 4.2.1 数据集 |
| 4.2.2 实验设置 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 问答系统的设计与实现 |
| 5.1 系统框架设计 |
| 5.2 系统开发环境 |
| 5.3 知识图谱模块 |
| 5.4 问答模块 |
| 5.4.1 意图识别 |
| 5.4.2 查询生成 |
| 5.5 前端展示模块 |
| 5.6 问答系统页面展示 |
| 5.7 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（7）基于外部知识和记忆网络的句子对建模技术研究（论文提纲范文）
| 内容摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 本文主要研究工作 |
| 1.4 本文组织结构 |
| 2 相关知识与技术研究 |
| 2.1 时序神经网络模型 |
| 2.2 预训练语言模型 |
| 2.3 注意力机制 |
| 2.4 本章小结 |
| 3 知识自适应句子对建模模型 |
| 3.1 研究动机 |
| 3.2 知识自适应句子对建模模型KANN |
| 3.2.1 KANN模型概览 |
| 3.2.2 知识选择 |
| 3.2.3 知识吸收门的构建 |
| 3.2.4 句子交互和推理预测 |
| 3.3 实验设置 |
| 3.3.1 数据集和参数设置 |
| 3.3.2 对比模型 |
| 3.4 实验结果及分析 |
| 3.4.1有效性实验 |
| 3.4.2 消融分析 |
| 3.4.3 不同知识来源和知识数量的影响 |
| 3.4.4 知识吸收门位置的影响 |
| 3.4.5 案例分析 |
| 3.5 本章小结 |
| 4 双残差记忆网络句子对建模模型 |
| 4.1 研究动机 |
| 4.2 双残差记忆网络句子对建模模型DRMN |
| 4.2.1 DRMN模型概览 |
| 4.2.2 句子向量表示 |
| 4.2.3 双记忆结构构建 |
| 4.2.4 基于残差记忆模块的句子交互 |
| 4.2.5 最终预测 |
| 4.3 实验设置 |
| 4.3.1 数据集和参数设置 |
| 4.3.2 对比模型 |
| 4.4 实验结果及分析 |
| 4.4.1有效性实验 |
| 4.4.2 消融分析 |
| 4.4.3 案例分析 |
| 4.5 本章小结 |
| 5 基于句子对建模的主观题自动评分系统实现 |
| 5.1 系统架构 |
| 5.2 系统开发环境及平台 |
| 5.3 系统详细设计与实现 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读学位期间发表的学术论文以及科研成果 |
| 致谢 |
（8）数据驱动下数字图书馆知识发现服务创新模式与策略研究（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 数据驱动研究现状 |
| 1.2.2 知识发现研究现状 |
| 1.2.3 研究现状评析 |
| 1.3 研究内容、方法与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 研究技术路线 |
| 1.4 创新点 |
| 第2章 相关概念与理论基础 |
| 2.1 相关概念 |
| 2.1.1 数据驱动 |
| 2.1.2 知识发现 |
| 2.1.3 Web级资源发现 |
| 2.1.4 数字图书馆知识发现服务 |
| 2.2 理论基础 |
| 2.2.1 数据密集型科学发现理论 |
| 2.2.2 数据驱动控制理论 |
| 2.2.3 数据挖掘与知识发现理论 |
| 2.3 本章小结 |
| 第3章 数据驱动下数字图书馆知识发现服务的数据环境分析 |
| 3.1 数字图书馆知识发现服务的数据环境特征 |
| 3.1.1 馆藏数据来源的广泛性及数据形态和存在方式的多样性 |
| 3.1.2 数据存储模式多样化及存储内容的非结构化和碎片化 |
| 3.1.3 数据资源价值的低密度和高变现潜能 |
| 3.2 数字图书馆知识发现服务的数据环境变化 |
| 3.2.1 从“数字化”到“数据化”的演化 |
| 3.2.2 新一代信息技术的涌现 |
| 3.2.3 数据分析思维模式的形成 |
| 3.2.4 数据密集型科学发现应用趋势 |
| 3.3 数字图书馆知识发现服务的数据环境开发与应用 |
| 3.3.1 数字图书馆知识发现服务在大数据环境中的新定位 |
| 3.3.2 开发数字图书馆知识发现服务数据驱动的新机制 |
| 3.3.3 创新数据驱动下数字图书馆知识发现服务的新模式 |
| 3.3.4 开发数据驱动下数字图书馆知识发现服务的新业态 |
| 3.4 本章小结 |
| 第4章 数字图书馆知识发现服务创新的数据驱动机制分析 |
| 4.1 数字图书馆知识发现服务创新数据驱动机制的数据要素 |
| 4.1.1 用户数据要素 |
| 4.1.2 内容资源要素 |
| 4.1.3 专家数据要素 |
| 4.2 数字图书馆知识发现服务创新的数据驱动过程与维度 |
| 4.2.1 数字图书馆知识发现服务创新的数据驱动过程 |
| 4.2.2 数字图书馆知识发现服务创新的数据驱动维度 |
| 4.3 数字图书馆知识发现服务创新的数据驱动动力机制 |
| 4.3.1 数字图书馆知识发现服务创新的数据驱动动力类型 |
| 4.3.2 数字图书馆知识发现服务创新的数据驱动动力关系分析 |
| 4.3.3 数字图书馆知识发现服务创新的数据驱动动力仿真模型 |
| 4.4 数字图书馆知识发现服务创新的流驱动机制 |
| 4.4.1 数字图书馆知识发现服务创新的流驱动特征 |
| 4.4.2 数字图书馆知识发现服务创新的流驱动过程 |
| 4.4.3 数字图书馆知识发现服务创新的流驱动机制模型 |
| 4.5 数字图书馆知识发现服务创新的数据协同驱动机制 |
| 4.5.1 数字图书馆知识发现服务创新的数据协同驱动内涵 |
| 4.5.2 数字图书馆知识发现服务创新的数据协同驱动目标 |
| 4.5.3 数字图书馆知识发现服务创新的数据协同驱动机制模型 |
| 4.6 数字图书馆知识发现服务创新的数据驱动控制机制 |
| 4.6.1 数字图书馆知识发现服务创新的数据驱动控制内涵 |
| 4.6.2 数字图书馆知识发现服务创新的数据驱动控制方法 |
| 4.6.3 数字图书馆知识发现服务创新的数据驱动控制模型 |
| 4.7 本章小结 |
| 第5章 数据驱动下数字图书馆知识发现服务创新模式研究 |
| 5.1 数字图书馆知识发现服务创新模式问题的提出 |
| 5.2 数字图书馆知识发现服务创新模式构建基础 |
| 5.2.1 数字图书馆知识发现服务创新的模式基础 |
| 5.2.2 数字图书馆知识发现服务创新的产品基础 |
| 5.2.3 数字图书馆知识发现服务创新的技术基础 |
| 5.3 数字图书馆知识发现服务创新功能圈构建 |
| 5.3.1 数字图书馆知识发现服务创新功能圈的框架设计 |
| 5.3.2 数字图书馆知识发现服务创新功能圈的架构分析 |
| 5.3.3 数字图书馆知识发现服务创新功能圈的建立 |
| 5.4 本章小结 |
| 第6章 数据驱动下数字图书馆知识发现服务创新模式应用研究 |
| 6.1 数字图书馆知识发现服务科研用户画像应用 |
| 6.1.1 用户画像数据收集 |
| 6.1.2 用户画像模型构建 |
| 6.1.3 用户画像实验分析 |
| 6.2 数字图书馆文献资源研究设计指纹识别应用 |
| 6.2.1 研究设计指纹识别基础 |
| 6.2.2 数据标注 |
| 6.2.3 研究设计指纹生成模型训练 |
| 6.2.4 结果与讨论 |
| 6.3 融合用户画像和研究设计指纹的文献推荐应用 |
| 6.3.1 文献推荐模型构建 |
| 6.3.2 文献推荐仿真实验 |
| 6.3.3 结果与讨论 |
| 6.4 数字图书馆知识发现服务多粒度检索决策应用 |
| 6.4.1 实验准备 |
| 6.4.2 实验描述 |
| 6.4.3 实验结果及讨论 |
| 6.5 本章小结 |
| 第7章 数据驱动下数字图书馆知识发现服务创新策略研究 |
| 7.1 数字图书馆知识发现服务创新的优化方向与路径 |
| 7.1.1 数字图书馆知识发现服务创新的优化方向 |
| 7.1.2 数字图书馆知识发现服务创新的优化路径 |
| 7.2 数字图书馆知识发现服务创新的数据化优化 |
| 7.2.1 数据化优化阻碍 |
| 7.2.2 数据化优化策略 |
| 7.3 数字图书馆知识发现服务创新的语义关联优化 |
| 7.3.1 语义关联优化阻碍 |
| 7.3.2 语义关联优化策略 |
| 7.4 数字图书馆知识发现服务创新的可视化优化 |
| 7.4.1 可视化优化阻碍 |
| 7.4.2 可视化优化策略 |
| 7.5 数字图书馆知识发现服务创新的智能化优化 |
| 7.5.1 智能化优化阻碍 |
| 7.5.2 智能化优化策略 |
| 7.6 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 |
| 8.3 研究展望 |
| 参考文献 |
| 作者简介与研究成果 |
| 致谢 |
（9）基于词向量的开放关系抽取与分类技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 研究的背景和意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 开放关系抽取技术 |
| 1.2.2 开放关系分类技术 |
| 1.2.3 开放关系研究中存在的问题 |
| 1.3 本论文的研究内容及结构安排 |
| 第二章 基础知识 |
| 2.1 词向量简介 |
| 2.2 基于词向量的关系分类技术 |
| 2.3 半监督聚类算法 |
| 2.4 短语的向量表示 |
| 2.4.1 短语向量模型 |
| 2.4.2 短语向量编码结构 |
| 2.4.3 短语向量模型的训练 |
| 2.4.4 短语向量模型的比较 |
| 2.5 本章小结 |
| 第三章 基于词向量距离的开放关系抽取 |
| 3.1 基于向量距离的抽取算法 |
| 3.1.1 抽取算法描述 |
| 3.1.2 可信度计算方式转化的分析 |
| 3.2 实验结果及分析 |
| 3.2.1 数据集和评价指标 |
| 3.2.2 实验结果 |
| 3.3 本章小结 |
| 第四章 基于半积极算法的开放关系分类 |
| 4.1 开放关系分类算法 |
| 4.1.1 SemiE算法 |
| 4.1.2 关系短语的向量表示 |
| 4.2 实验结果及分析 |
| 4.2.1 数据集和评测指标 |
| 4.2.2 模型训练 |
| 4.2.3 实验结果 |
| 4.2.4 实验结果分析 |
| 4.3 本章小结及讨论 |
| 第五章 基于信息量的短语向量模型 |
| 5.1 短语向量性能分析 |
| 5.1.1 短语向量的浅层语言学性能分析 |
| 5.1.2 短语向量的深层语言学性能分析 |
| 5.2 BoV模型的改进 |
| 5.2.1 Info-BoV模型 |
| 5.2.2 Info-BoV性育臣评价 |
| 5.3 Info-BoV向量在开放关系研究中的应用 |
| 5.3.1 Info-BoV向量在开放关系抽取中的应用 |
| 5.3.2 Info-BoV向量在开放关系分类中的应用 |
| 5.3.3 实验结果分析 |
| 5.4 本章小结 |
| 第六章 基于词向量的开放关系抽取演示系统 |
| 6.1 系统设计概要 |
| 6.2 模块设计与实现 |
| 6.3 系统演示 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间发表的学术论文 |
（10）基于云平台的睡眠监护软件的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 研究背景 |
| 1.2 国内外发展现状 |
| 1.2.1 国外发展现状 |
| 1.2.2 国内发展现状 |
| 1.2.3 目前存在的问题 |
| 1.3 研究内容与意义 |
| 1.3.1 研究内容 |
| 1.3.2 研究意义 |
| 1.4 论文组织结构 |
| 第2章 基于云平台的睡眠监护软件总体分析与设计 |
| 2.1 睡眠监护系统结构分析 |
| 2.2 睡眠监护软件需求分析 |
| 2.2.1 功能需求分析 |
| 2.2.2 性能需求分析 |
| 2.3 睡眠监护软件开发方案分析与设计 |
| 2.3.1 软件开发架构分析与选择 |
| 2.3.2 数据通信方式选择 |
| 2.4 软件体系结构设计 |
| 2.4.1 用户界面层 |
| 2.4.2 业务处理层 |
| 2.4.3 数据服务层 |
| 2.5 本章小结 |
| 第3章 朴素贝叶斯睡眠分期算法的研究与改进 |
| 3.1 睡眠相关知识 |
| 3.1.1 睡眠周期性 |
| 3.1.2 睡眠分期方法 |
| 3.1.3 朴素贝叶斯分类算法 |
| 3.2 朴素贝叶斯睡眠分期算法 |
| 3.2.1 朴素贝叶斯睡眠分期算法对生理信号的处理 |
| 3.3 朴素贝叶斯睡眠分期算法的改进 |
| 3.4 本章小结 |
| 第4章 基于云平台的睡眠监护软件详细设计与实现 |
| 4.1 睡眠监护软件功能模块设计 |
| 4.2 数据采集端的介绍 |
| 4.3 云服务器端的设计 |
| 4.3.1 数据接收模块设计 |
| 4.3.2 数据存储模块设计 |
| 4.3.3 数据处理模块设计 |
| 4.4 Web客户端主要功能模块详细设计与实现 |
| 4.4.1 睡眠监测模块 |
| 4.4.2 我的设备模块 |
| 4.4.3 助眠工具模块 |
| 4.4.4 个人中心模块 |
| 4.4.5 医养结合模块 |
| 4.5 本章小结 |
| 第5章 软件测试与结果分析 |
| 5.1 测试方案分析 |
| 5.2 测试环境搭建 |
| 5.3 功能测试及结果分析 |
| 5.3.1 睡眠监测 |
| 5.3.2 我的设备 |
| 5.3.3 助眠工具 |
| 5.3.4 个人中心 |
| 5.3.5 医养结合 |
| 5.4 性能测试及结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 附录A 数据库表中部分表结构展示 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
四、Linux常识问答（论文参考文献）
- [1]基于深度学习的视觉问答系统研究与实现[D]. 常安. 天津工业大学, 2021(01)
- [2]基于关系推理网络的视觉问答系统的研究[D]. 丁贤锋. 西安电子科技大学, 2020(05)
- [3]5G网络技术对提升4G网络性能的研究[J]. 刘奕. 数码世界, 2020(04)
- [4]基于知识图谱的智能系统在电力行业的应用[D]. 陈勇. 南京师范大学, 2020(03)
- [5]基于深度学习的知识库问答系统研究[D]. 袁帅. 电子科技大学, 2020(07)
- [6]基于中文知识图谱的金融领域问答系统的研究与实现[D]. 彭鑫. 重庆邮电大学, 2020(02)
- [7]基于外部知识和记忆网络的句子对建模技术研究[D]. 张琪. 华东师范大学, 2020(08)
- [8]数据驱动下数字图书馆知识发现服务创新模式与策略研究[D]. 李洁. 吉林大学, 2019(02)
- [9]基于词向量的开放关系抽取与分类技术研究[D]. 刘沛骞. 北京邮电大学, 2019(01)
- [10]基于云平台的睡眠监护软件的设计与实现[D]. 钟琳倩. 重庆邮电大学, 2019(02)