發(fā)布時間：2024-03-10 16:24

　　文獻(xiàn)的關(guān)鍵詞檢索具有易用性,但由于原有檢索結(jié)果集中文獻(xiàn)的語義和關(guān)系的缺失,導(dǎo)致學(xué)者仍需對PR(Page Ranking)線性排序的檢索結(jié)果進(jìn)行低效率的二次篩選。論文側(cè)重于對學(xué)術(shù)檢索結(jié)果集構(gòu)建文獻(xiàn)細(xì)粒度語義以及通過細(xì)粒度語義定義文獻(xiàn)間關(guān)系,以此來提高學(xué)者二次篩選效率,并將文獻(xiàn)細(xì)粒度語義模型的實(shí)現(xiàn)轉(zhuǎn)化為自然語言處理的實(shí)體識別和關(guān)系抽取。具體從文獻(xiàn)中包含的“所解決的問題和所使用的方法”兩個關(guān)鍵信息要素出發(fā),建立問題-方法以及基于此的文獻(xiàn)間關(guān)系的語義模型,并進(jìn)一步將文獻(xiàn)語義模型映射為文獻(xiàn)集展示模型,實(shí)現(xiàn)對檢索結(jié)果文獻(xiàn)集的文獻(xiàn)知識、文獻(xiàn)間語義關(guān)系以及PR排序結(jié)構(gòu)的多維度展示,提高學(xué)者對檢索結(jié)果的篩選效率。具體工作包括:1)文獻(xiàn)的語義模型和展示模型設(shè)計:以問題-方法兩個維度描述文獻(xiàn)的細(xì)粒度語義信息,通過問題-方法、問題-問題和方法-方法的語義關(guān)系來表示文獻(xiàn)內(nèi)的語義知識和文獻(xiàn)之間的語義關(guān)系,因此文獻(xiàn)的語義模型能夠提供文獻(xiàn)集的多粒度、多維度的語義表示;立體化的文獻(xiàn)語義模型映射為展示模型,提供多維度、多粒度的文獻(xiàn)展示交互圖形界面。2)文獻(xiàn)語義模型構(gòu)建:文獻(xiàn)的問題-方法模型的構(gòu)建轉(zhuǎn)化為文獻(xiàn)的問題和方法實(shí)體...

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.0 研究背景與意義
    1.1 研究現(xiàn)狀
        1.1.1 科學(xué)文獻(xiàn)領(lǐng)域知識實(shí)體識別
        1.1.2 科學(xué)文獻(xiàn)領(lǐng)域知識實(shí)體關(guān)系抽取
    1.2 研究內(nèi)容
    1.3 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 表示學(xué)習(xí)
        2.1.1 詞向量表示方式
        2.1.2 詞向量表示學(xué)習(xí)方法
    2.2 雙向長短時記憶網(wǎng)絡(luò)
    2.3 條件隨機(jī)場
    2.4 卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 迭代膨脹卷積神經(jīng)網(wǎng)絡(luò)
        2.4.2 圖卷積神經(jīng)網(wǎng)絡(luò)
    2.5 注意力機(jī)制
    2.6 本章小結(jié)
第三章 文獻(xiàn)語義模型與展示模型
    3.1 問題-方法的文獻(xiàn)語義模型
        3.1.1 科學(xué)文獻(xiàn)內(nèi)容特征分析
        3.1.2 問題-方法的文獻(xiàn)語義模型
    3.2 文獻(xiàn)集展示模型
        3.2.1 展示模型構(gòu)建
        3.2.2 模型動態(tài)交互設(shè)計
    3.3 示例展示
    3.4 本章小結(jié)
第四章 文獻(xiàn)語義模型的問題實(shí)體和方法實(shí)體識別
    4.1 引言
    4.2 問題描述
    4.3 結(jié)合多頭自注意力的IDCNN-BiLSTM-CRF模型
        4.3.1 特征表示層
        4.3.2 IDCNN層
        4.3.3 Bi LSTM+Self Attention層
        4.3.4 CRF層
        4.3.5 損失函數(shù)
    4.4 實(shí)驗(yàn)數(shù)據(jù)準(zhǔn)備
        4.4.1 數(shù)據(jù)集介紹
        4.4.2 數(shù)據(jù)集預(yù)處理
        4.4.3 模型性能指標(biāo)
        4.4.4 實(shí)驗(yàn)環(huán)境
        4.4.5 模型超參設(shè)置
    4.5 實(shí)驗(yàn)設(shè)計與結(jié)果分析
        4.5.1 主流模型對比實(shí)驗(yàn)
        4.5.2 特征消融對比實(shí)驗(yàn)
        4.5.3 模塊消融實(shí)驗(yàn)
    4.6 本章小結(jié)
第五章 文獻(xiàn)模型的語義關(guān)系抽取
    5.1 引言
    5.2 問題描述
    5.3 融合句法結(jié)構(gòu)信息的雙通道GCN-CNN-Bi LSTM-ATT模型
        5.3.1 句法結(jié)構(gòu)提取模塊
        5.3.2 一般特征提取模塊
        5.3.3 特征融合和分類模塊
        5.3.4 損失函數(shù)選擇
    5.4 實(shí)驗(yàn)設(shè)計與結(jié)果分析
        5.4.1 數(shù)據(jù)集處理與標(biāo)注
        5.4.2 模型超參設(shè)置
        5.4.3 主流模型對比實(shí)驗(yàn)
        5.4.4 一般特征提取模塊輸入特征消融對比實(shí)驗(yàn)
        5.4.5 模塊消融實(shí)驗(yàn)
    5.5 本章小結(jié)
第六章 學(xué)術(shù)文獻(xiàn)代理檢索系統(tǒng)原型設(shè)計與實(shí)現(xiàn)
    6.1 功能分析
    6.2 架構(gòu)設(shè)計
    6.3 系統(tǒng)模塊設(shè)計與實(shí)現(xiàn)
        6.3.1 檢索代理與預(yù)處理層
        6.3.2 檢索結(jié)果文獻(xiàn)知識抽取層
        6.3.3 展示網(wǎng)絡(luò)構(gòu)建層
        6.3.4 可視層
    6.4 系統(tǒng)測試
        6.4.1 模塊功能測試
        6.4.2 集成測試
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 未來工作
致謝
參考文獻(xiàn)
作者簡介



本文編號：3925071