一、基于约束的半结构化信息的抽取方法（论文文献综述）
蔡新辉[1]（2021）在《基于多源异构数据的地方风土人情知识图谱构建方法及应用研究》文中进行了进一步梳理随着信息化与大数据时代的迅猛发展,人们在生活中所面临的信息也越加的纷繁复杂,但真正能有所帮助的信息十分有限,究其原因是因为这些信息没有针对性和规范性。有效的解决方法是将信息有所针对性的结构化处理。知识图谱（Knowledge Graph）因为在数据关联度和结构化方面的优势,受到越来越多的关注。目前知识图谱已经在多个领域得到应用,包括开放领域,以及医疗、教育、电影等垂直领域。风土人情,是一个地方特有的自然环境、风俗、礼节、习惯的总和,具有很高的人文和自然价值。但是针对该领域的知识图谱构建及应用还处于初步探索阶段,因此对于地方风土人情知识图谱的构建方法及应用的研究很有必要。传统的知识图谱构建方法的数据不够多源。而对于从文本中抽取实体关系三元组,传统的方法对于有重叠实体的三元组的抽取效果不理想。针对以上现状,本文围绕地方风土人情领域,对知识图谱的构建和应用给出一种解决方案,主要研究内容如下:（1）以内蒙古地区为例,构建内蒙古风土人情知识图谱。针对风土人情领域,在几种传统的垂直领域本体构建方法的基础上进行一些优化,使本体构建方法更适合于风土人情领域。在本体的约束下,基于多种来源、不同结构的数据,利用信息抽取技术,分别从中抽取出实体关系三元组,经知识融合后存入图数据库,完成内蒙古风土人情知识图谱的初步构建。（2）借鉴一种分层标注的方法,提出一种基于BERT-CRF的分层标注模型,从文本中联合抽取实体和关系。首先引入BERT对输入文本进行编码,并利用CRF标注出三元组的主语。在此基础上,针对每一种预定义的关系,采用半指针半标注方法,利用双指针标注出对应主语和关系下的宾语在文本中的首尾位置,进而将三元组完整抽取出。相较于原分层标注和传统的三元组抽取方法,三元组抽取效果有所改善。（3）基于一种管道式的知识图谱问答方法,对其实体提及识别模块进行改进,借鉴分层标注的三元组抽取中宾语的抽取思想,提出一种基于半指针半标注的实体提及识别方法,采用双指针从问句中标注出实体提及,识别效果和问答效果均有所提升。（4）基于内蒙古风土人情知识图谱和知识图谱问答方法,设计实现内蒙古风土人情问答平台,包括基于知识图谱的问答功能、知识图谱可视化和实体图片的展示功能,并允许用户提交三元组,以众包的方式更新知识图谱。
吴赛赛[2]（2021）在《基于知识图谱的作物病虫害智能问答系统设计与实现》文中认为在农业生产过程中,病虫害一直以来都是影响农产品产量和质量的主要问题,然而随着互联网技术的发展,网络数据呈爆炸式增长,作物病虫害数据也呈现出高度分散、多源异构的状态,使得农民、植保专家等农业相关从业者很难迅速准确地获取所需信息。传统的信息获取方式以搜索引擎为主,但其采用基于关键词或浅层语义分析等方式实现检索,返回大量相关网页链接,答案模糊且冗余。智能问答系统由于支持用户自然语言输入、精准捕获用户意图、返回简洁准确的答案,成为近年来的研究热点。知识图谱的出现和快速发展,为智能问答系统提供了高质量的知识库基础,推动了问答系统在各个领域中的应用。本文融合自然语言处理、深度学习等技术,设计并实现基于知识图谱的作物病虫害智能问答系统,主要开展的工作如下:（1）作物病虫害知识图谱构建。知识图谱构建过程主要分为四个步骤:数据获取,本体构建,知识抽取以及知识存储。首先,利用爬虫技术采集相关作物病虫害数据,并进行数据清洗、数据分析等数据预处理工作。其次,根据数据内容及表示特征,构建作物病虫害本体,预定义实体间的关系和属性类型,明确知识抽取的边界。然后,在本体的基础上,利用规则逻辑方法提取半结构化数据;利用实体和关系联合抽取方法提取非结构化数据。最后,将抽取到的三元组数据存储到Neo4j图数据库中,实现知识图谱的可视化管理和一定程度的知识推理。（2）提出基于新标注策略的实体和关系联合抽取。传统的语料标注方式不一定适用于所有领域,本文根据作物病虫害语料库特征,以一种与领域语料相适应的新标注体系实现实体和关系的联合抽取。将实体和关系抽取任务转化为序列标注问题,对实体和关系进行同步标注,直接对三元组建模而不是分别对实体和关系建模,通过标签匹配和映射即可获得三元组数据,不仅提高至少一倍的标注效率,还有效缓解重叠关系抽取问题。同时利用BERT-Bi LSTM-CRF端到端深度学习模型在数据集上进行实验,取得90.51%的F1值。（3）基于知识图谱的问答算法研究。在作物病虫害知识图谱构建完成的基础上,将问答任务划分为三个子任务:命名实体识别、属性链接以及问句相似性计算。为了构建更加轻量级的问答系统,本文利用Han LP自然语言处理工具中的中文分词+自定义词典+词性标注功能实现问句的实体识别。通过构建属性标注库,利用ERNIE预训练语言模型完成对问答过程的问句属性链接,其在数据集上的表现明显优于其他经典模型。为了增强用户问答的智能性、便利性和连贯性,通过基于TF-IDF算法的文本相似性计算,展示与用户输入问句相似的相关问句。（4）设计并实现了基于知识图谱的作物病虫害智能问答原型系统。结合Fast API、Vue.js等框架实现问答原型系统的前端和后端开发与交互,实现用户以自然语言问句提问,支持作物病虫害症状、病原、防治药物等信息的问答。本文在实体关系联合抽取技术基础上提出了一种知识图谱的半自动化构建方法,并研发基于知识图谱的作物病虫害智能问答系统。本文工作为农业智能问答领域提供了一种新思路,其中知识图谱的半自动化构建方法可为农业推荐系统、农业知识库构建、农业智能搜索等应用知识库构建的技术支撑。
杨小敏[3]（2021）在《基于深度学习的垂直领域知识图谱构建方法研究与实现》文中研究指明随着人工智能的发展,智能的信息服务持续升级,在各种智能信息服务领域均能看到知识图谱的应用,如智能问答、个性化推送、信息检索等。知识图谱帮助计算机学习人的语言交流方式,使计算机像人类一样“思考”,使得各种信息服务反馈给用户更加智能的答案。可以说知识图谱是传统行业和人工智能进行融合的方向,也是人工智能从研究走向落地应用的过程中必不可少的环节。垂直领域知识图谱是针对某个行业,根据该领域的数据来构建的知识图谱,相比于通用知识图谱,更强调知识的深度。虽然在通用领域,学术界和工业界都已经有大规模的标注数据可供知识图谱构建模型进行训练,并且实体和关系抽取技术已经取得了长足进步。但在垂直领域的场景下,存在着标注语料数据量不足,人工标注耗费钱力和精力等难题,并且随着业务的变更,实体和关系的类型会不断地更新,已有的标注数据无法应用在新的实体和关系类型上,这些难题使得在垂直领域构建知识图谱变得非常困难。为了解决垂直领域知识图谱构建困难和低效的问题,本文主要研究如何进行行业知识的抽取,并自动高效准确地构建垂直领域知识图谱。首先,为了构建用于进行知识抽取模型训练的增强数据集,本文提出基于词典和实例交叉的增强数据生成算法。其次,针对行业产品文档中的半结构化数据和非结构化数据,分别设计并实现了基于序列标注和子模式生成的表格知识抽取算法Bi-LSTM-CRF-SSG和基于BERT和概率图模型的联合实体关系抽取模型BERT-PGM。实验结果表明,经过后续容错处理,在测试数据集上,半结构化数据抽取算法能达到99.13%的抽取准确率,非结构化数据抽取算法能达到95.7%的抽取准确率。最后,本文实现了一个垂直领域知识图谱自动构建系统,并从功能和性能两个方面进行了系统测试,测试结果表明系统的功能和性能均满足用户需求。
马超童[4]（2021）在《面向科技咨询的知识图谱构建与管理平台的设计与实现》文中进行了进一步梳理面向科技咨询的知识图谱构建与管理平台是为领域专家、科技咨询专家和知识图谱研究人员提供的,从结构化、半结构化、非结构化数据源中获取高质量知识体系的工具。该平台应具备以下三个特性:构建流程的各环节衔接顺畅,全生命周期工程化;以大数据技术融合海量、多源、异构的领域数据,以人工智能技术驱动大规模知识获取,平衡自动化方式与人工方式的矛盾;可操作性强,实现多领域复用。目前知识图谱相关产品虽然取得了一些显着成果,但仍存在领域数据层次化不明确且跨域连接难、准确性与效率难以兼顾、构建全流程各环节分散且知识挖掘不充分等问题与挑战:1)传统的跨数据库扫描方式已逐渐无法适用于海量、多源、异构数据的知识获取与分析需求;2)领域知识图谱构建面临着准确性与效率之间的矛盾,自顶向下方法保证了知识的准确性,但过程繁琐、知识规模受限,自底向上方法适用于大规模知识获取,但图谱结构松散、缺乏严格的模式约束;3)现有平台的各步骤需要投入大量的时间与人力,以完成分散环节的衔接。针对上述问题与挑战,本文重点围绕科技咨询大数据统一信息模型、领域知识图谱本体和数据的构建方法、面向科技咨询的知识图谱构建与管理平台的设计与实现等开展研究,主要内容分为以下三项:1)设计并实现了一套面向数据跨域融合的“主题化—层级化—关联化”的科技咨询大数据统一信息模型。以横向主题域划分、纵向多层次建模、业务标签组织关联的方式,打通了当前科技咨询领域的多主题、多来源、异构数据,为科技咨询领域资源体系标准规范的制定提供了依据;同时,对于其他领域的数据资源统一管理与本体建模产生了一定的参考价值。2)设计并实现了一种基于混合模式的领域知识图谱本体和数据的构建方法。以自顶向下的人工过程为主线,定义本体的标签概念层级体系和关系集合,保证了领域知识图谱的专业性;以自底向上的数据驱动过程为辅线,借助自然语言处理模型获取知识,实现了图谱规模在本体框架的严格约束下扩展。3)设计并实现了松耦合模式、可自由编排任务流的领域知识图谱构建与管理平台。通过“大数据平台+AI开放平台+知识图谱平台”三者互相支撑,平衡了自动化流程与人工参与的关系,提高了现有资源的利用率,增强了平台的环节流畅性和拓展复用能力。最后,该平台应用于国家重点研发计划项目“基于大数据的科技咨询技术与服务平台研发”中,在科技咨询背景下构建了人工智能、大数据、量子通信等九个前沿领域的技术链和产业链知识图谱,验证了本文理论方法及平台的有效性与实际应用价值。
宋琦敏[5]（2020）在《简历自动获取与信息提取系统设计与实现》文中研究说明随着计算机技术的不断发展与进步,企业利用互联网在各大招聘网站发布招聘信息,求职者结合自身情况选择对应的岗位进行应聘。企业单位日益面对数量巨大,种类繁多的电子简历文档,单依靠人工进行筛选和录入简历信息不仅效率低下,而且需要耗费大量的时间精力。因此,研究如何利用现有的计算机技术从各招聘网站进行批量下载企业需求的各类简历文档,并快速准确的自动提取出企业关注的重要信息进行结构化存储具有重要的现实意义。针对各大招聘网站存储的海量简历信息,利用网络爬虫等相关技术批量下载企业需求的简历文档,减少人事招聘专员进行人工简历筛选的繁杂工作。分析半结构化中文简历文本在结构、内容、层次上的特点,结合一定的文本分类的理论基础,提出了一种简历文本按内容类划分和按层次结构相结合的划分方法,将简历内容划分为个人基本信息、求职意向、教育背景、工作经历、项目经历、获奖经历六个预定义的通用模块。根据简历的规则特性,利用人为先验知识建立需要抽取的词典。在简历各模块信息抽取的过程中提出了分别按基本信息和复杂信息两类进行抽取的方案。在简历内容识别过程中,结合简历中的基本信息类具有的简单词法与语法特征,建立需要抽取的规则表达式进行信息的抽取。对简历文本中教育经历、工作经历等复杂信息类的抽取,分析其具备的主要特征,分别采用基于字典匹配、统计学的隐马尔科夫模型、深度学习BLSTM-CRF模型的识别方法进行提取并进行比较分析。使用Python语言和Java编程语言相结合的方式实现了简历文本的批量下载和内容识别,并对定量的简历文本进行抽取测试,其结果可满足企业对简历筛选和信息提取并结构化存储的需求。
肖思琪[6]（2020）在《基于文本生成式的实体关系抽取算法研究与系统实现》文中研究指明实体关系抽取作为自然语言处理和信息抽取领域的核心任务之一,它是通过关系抽取技术从非结构化或半结构化文本中提取特定实体和关系等事实信息,并以结构化的形式保存下来。而目前大多公开的研究集中在处理简单场景,将实体关系抽取转换为句子级别的分类任务,难以处理现实场景中普遍存在的一句话中包含多实体和多关系的抽取情况。在医学相关领域,卫生信息化程度不断提高,医疗信息系统不断完善,聚集了海量的医学数据。从模态各异的数据中提取结构化信息,并加以管理、共享和应用,是医学智能化过程中亟需解决的关键问题。但医学领域一直缺乏开源的知识库,并且医学数据种类繁多、形式各异,从医学非结构化及半结构化文本中提取高质量的医学知识为后续知识图谱构建等上层应用提供数据支撑仍然存在困难。针对以上问题和挑战,本文的主要工作内容如下:（1）提出了一种基于指针-生成器结构的多实体关系抽取方法,将实体关系抽取任务转换为文本生成式任务,即,将实体词和关系词作为目标文本进行生成,来解决非结构化文本中重叠的多关系抽取问题,实现了关系三元组抽取性能的提升;（2）基于此,进一步提出一种基于Hierarchical LSTMs结构的多实体关系联合抽取方法,低层LSTM用于预测关系,高层LSTM用于识别隶属于当前关系的一对实体,明确实体和关系的生成位置,同时更好的融入关系信息指导对应的实体标注序列的生成,提升联合抽取中实体识别的准确性,进一步提高抽取关系三元组的准确性;（3）基于中文医学领域非结构化及半结构化文本的实体关系抽取技术,实现针对本地文本、疾病百科网页等多源异构数据的知识提取,并集成一套医学结构化知识的抽取工具,同时输出一套中文医学结构化知识。基于上述模型和工具,针对当前市场上缺乏开源的实体关系抽取系统,本文搭建基于Web的医学实体关系抽取服务系统,实现从数据收集、到知识抽取、再到数据可视化的全流程工程化服务系统,为研究人员和相关用户提供技术服务。系统共分为数据采集模块、知识抽取模块、知识存储模块以及可视化模块。
严行[7]（2019）在《基于本体的绿色建筑技术设计案例推理系统研究》文中提出建筑业作为全球变暖的重要的驱动因素之一,转变其发展模式势在必行。绿色建筑是一种新型建筑,具有节能、节水、节材等特点,能够有效减少建筑对环境影响,为人们提供健康、舒适的人居环境。近年来,我国绿色建筑发展迅猛,然而绿色建筑设计仍面临着诸如:设计效率低、技术选择不合理、经验难以共享等问题,为改革绿色建筑设计手段提出了迫切需求。另一方面,随着计算机和人工智能等技术的普及,建筑设计流程和设计方法也发生了深刻的转变。因此,如何利用人工智能技术整合已有的建筑设计资料,辅助建筑设计师进行设计决策,是提高绿色建筑设计效率和推动建筑业智能化发展的重要手段。本研究以提高绿色建筑技术设计效率和效果为目的,从现有建筑设计流程出发,应用案例推理和本体技术的原理,创新性地提出了基于本体的绿色建筑技术设计案例推理系统。本研究的主要内容包括以下五个方面:（1）建立了绿色建筑技术设计案例推理系统的框架本研究首先对专家决策系统、案例推理理论、本体方法论进行梳理,并对绿色建筑内涵、发展历程、评价体系进行剖析,分析了绿色建筑设计的特点、流程、团队组建和面临挑战,提出了绿色建筑技术设计的基本内容。在此基础上,对比分析了案例推理的流程与绿色建筑技术设计流程的相似性,探讨了案例推理技术与本体技术相结合的优势,提出了绿色建筑技术设计案例推理系统的基本框架。（2）建立了绿色建筑领域本体本研究提出了绿色建筑领域本体,以统一对绿色建筑领域知识特征的表述。为了提高构建本体的效率,本研究提出一种半自动的本体构建方法。在提取绿色建筑领域本体概念时,首先利用自然语言处理技术对绿色建筑标准文本进行预处理,再通过统计术语的词频和出现的文本数提取领域术语集合,然后利用WordNet同义词词典合并同义术语,最终提取绿色建筑领域概念集合。在提取概念间关系时,本研究采用后缀词和层次聚类法提取概念间的分类关系;采用关联规则方法提取概念间的非分类关系。（3）绿色建筑技术设计案例推理系统中的案例库构建原理本研究提出了提出了一种结合案例的基本特征和文本语义特征的绿色建筑技术设计案例表示模型。首先采用文献研究法从现有文献中提取六个案例的基本特征,然后基于绿色建筑领域本体建立案例文本的语义索引,将案例文本最终表示为语义向量,形成统一的案例表达模板,并存储到案例库中。（4）绿色建筑技术设计案例推理系统中的案例检索机制建立案例检索机制的核心是案例之间相似度的计算。针对不同数据类型的基本特征,本研究提出了三种特征相似度计算方法。针对案例文本的语义特征,本研究提出了基于本体的语义检索方法。在此基础上,本研究采用层次分析法确定各个案例特征的权重,建立了案例综合相似度计算模型,最终形成案例检索机制。（5）绿色建筑技术设计案例推理系统的实证研究在系统需求分析的基础上,本研究构建了绿色建筑技术设计案例推理系统的架构和流程。在此基础上,设计了绿色建筑技术设计案例信息输入界面和绿色建筑技术设计案例推理界面。最后对绿色建筑技术设计案例推理系统进行了实证研究。实证结果发现利用该系统检索到历史案例与目标案例确实能够相互借鉴,也验证了本研究所提出的基于本体的绿色建筑技术设计案例推理系统的有效性。本文探索性的将人工智能技术引入到建筑领域,提出的绿色建筑技术设计案例推理系统具有很强的现实意义和理论意义。本研究提出的半自动的本体构建方法对其他领域本体的建立有一定的借鉴意义;同时,本研究提出的案例知识表示模型和案例检索机制丰富了案例推理的理论,能够推广到其他领域的案例推理系统中。在现实中,该系统不仅能够提升绿色建筑技术设计的效率,还能提升设计方案的水平。
王苏文[8]（2019）在《基于BIM的MEP管线综合知识库构建与可视化研究》文中认为随着社会生活水平的提高,人们对建筑产品有了更高的功能要求,由此直接导致建筑物体内的“血管”——机电安装系统（Mechanical、Electrical and Plumbing,MEP）愈发复杂。由于建筑物内部空间有限,合理布置复杂的MEP管线要求精准有效的管线综合工作。MEP管线综合工作是一个迭代的、经验驱动的过程,需要大量的时间和人力资源,虽然这一过程在每个项目中重复发生,但过程中产生的信息与知识很少被系统的记录下来以支持未来的决策。BIM技术作为管理和存储建筑全生命周期信息的新理念,具备可视化、参数化等功能特点。基于此研究背景,本文借助BIM技术在MEP管线综合中的应用,首先对MEP方案BIM管综信息归类,其次对MEP管综信息进行拓扑与量化,接着建立MEP管综知识库,最后构建基于BIM与知识库的MEP管综系统。主要研究如下:（1）利用扎根理论分析MEP管综案例,构建设计、施工和运维三个阶段的MEP方案BIM管综信息体系,并进行饱和度检验;接着利用半结构化访谈的方法验证和利用该MEP管综信息体系,分析专家解决管综问题的思维过程。基于此,搭建基于专家思维的碰撞表示信息体系,为MEP方案管综信息的拓扑与量化做铺垫。（2）引入拓扑关系的概念。首先,分析MEP管线的拓扑特征,建立MEP方案管线拓扑模型,重点分析和量化管线拓扑模型的管线邻接关系;其次,以实体关系抽取的方法为基础,结构化处理建筑设计规范的管线间距信息,并以可视化网络拓扑图的方式进行表达;最后,从水平敷设、垂直排列和管线综合三个方面,分析了基于管线拓扑的排布原则,为建立MEP管综知识库提供了数据支撑。（3）构建MEP管综知识库。提出管综规则的概念以结构化表达管综信息内容,包括管线拓扑类规则和管综协调措施类规则;利用SQL Server2012软件建立MEP管线拓扑、管综协调等事实库和规则库,为实现MEP管综系统奠定基础。（4）应用以上成果,设计并实现基于BIM与知识库的MEP管综系统。以Revit二次开发技术和计算机编程技术为基础,提取BIM模型参数和编译MEP管综知识库的内容,实现MEP管综系统的管线拓扑规则自动检查和管综协调规则应用两大功能,为设计方提供管综决策支持;借助BIM轻量化管理平台,实现MEP管综规则自动检查和应用结果的可视化,为建设参与各方提供交流沟通的平台。该论文有图70幅,表35个,参考文献102篇。
李祎菲[9]（2019）在《基于多源异构数据的中文旅游知识图谱构建方法研究》文中认为在大数据时代背景下,互联网的信息数量呈现指数式的增长趋势,如何从这些海量数据中高效并准确地挖掘出有用的信息已经成为了信息检索的研究热点之一。知识图谱（Knowledge Graph）以图结构的形式描述存在于真实世界中的实体与实体间关系,并通过大数据提炼出知识库,能够对数据进行智能地组织和整合,是为搜索引擎提供精准答案的技术基础。知识图谱的构建研究在海量互联网知识的识抽取以及知识组织管理上体现了重要的应用价值。目前存在的知识图谱多为面向全领域的通用知识图谱,强调知识的广度,但是缺乏对实体知识深层次的挖掘。并且针对性较强的领域知识图谱,尤其是旅游领域的知识图谱研究很少且起步较晚,且没有较好的构建以及表示方法。已经构建好的旅游知识图谱,大都仅基于百科知识进行构建,导致知识较单一,尚不具有扩展性,适用性较差。针对这些问题,本文研究从多源异构数据中构建中文旅游领域知识图谱并探索其应用。本文研究内容包括:旅游知识图谱的数据来源分析,并对不同来源数据进行知识抽取、多源异构数据的实体对齐,以及旅游知识图谱的应用研究三部分,具体介绍如下:（1）为了构建出一个高质量的旅游知识图谱,本文首先针对互联网中的各类多源异构的数据进行分析,采用以百科站点知识抽取为主,旅游垂直站点知识抽取为辅的方式,分别设计并且实现了互动百科和百度百科词条页面半结构化和非结构化知识爬取,以及针对旅游网站的爬取。然后,从这些异构知识中抽取出结构化数据,并其转化为三元组知识,从而构建旅游领域的知识图谱。并且针对知识图谱中属性、属性值不完整或缺失的情况,提出了一种基于CRF条件随机场和候选句的属性值扩充方法。首先基于infobox（信息盒）构建属性词表,对百科正文的语料基于属性词表和匹配度权值进行候选句提取,然后采用CRF条件随机场从候选句中标注并抽取出实体属性以及属性值作为属性信息扩充。并采用准确率、召回率以及F1值对结果作以评估,各评价指标均表现良好,该过程对知识图谱的校正有很大的帮助。（2）针对知识库中存在同名异指以及同义异名的情况,本文研究了如何将知识图谱中的歧义实体进行对齐,即把同属于一个语义下的实体进行合并,减少知识图谱的冗余性。本文首次提出了基于BERT神经网络模型的实体对齐方法,首先采用分词技术,对语料进行分词标注,然后将其输入到BERT模型中训练出词向量,通过设置阈值,以及词向量间的余弦相似度排序实现实体对齐。并将其和Skip-gram、CBOW、DSG三个模型进行实验分析对比,评估结果中,BERT的效果最佳,并且平均准确率达到了 95%以上,为实体对齐提供了新的借鉴方法。（3）在旅游知识图谱的应用研究中,本文首先设计实现了一个基于旅游知识图谱和规则匹配的搜索系统,该系统为旅游知识图谱在搜索系统中的应用提供了可行的方案;其次本文在构建的旅游知识图谱的基础上实现了一个可视化系统,展示了知识库中的内容,并且允许用户创建、校正知识库中的三元组知识,实现基于众包的知识图谱人工校正,可以为用户提供多源的旅游知识服务。
谭真[10]（2018）在《面向非结构化数据的知识图谱构建与表示技术研究》文中研究表明随着万维网和语义Web技术的不断更新发展,越来越多的人开始从互联网上获取信息和知识。基于人们对知识的渴望,大量的搜索引擎、情报分析、自动问答系统被设计开发,并被用来为人们提供信息上的需求。但近年来,随着数据规模的急剧增加,传统搜索引擎很难找寻精准的问题答案以及答案背后的知识体系。因此,以谷歌知识图谱为代表的一系列知识图谱应运而生,其主要目的是为用户提供结构化的知识,而不是单独的信息点。知识图谱可以极大的提高知识查询的精度,延伸知识获取的边界和范围,因此受到工业界和学术界的广泛关注。但现阶段,知识图谱还存在两个明显的不足:（1）通用知识图谱的覆盖范围较广但深度不够,数据稀疏性的问题严重,大量的知识还隐藏在非结构化的文本中;（2）知识表示模型比较单一,经典的符号表示模型很难描述知识图谱中实体关系的语义信息。为了更好的解决上述两个突出问题,提高知识图谱的鲁棒性和知识表示能力。本文重点研究四个方面的技术问题:网页信息抽取技术、实体关系联合抽取技术、实体链接技术以及知识表示技术。为了提取非结构化文本中的知识,首先要获取非结构文本,而其最重要来源就是海量的互联网文本数据。因此如何对互联网中的网页进行解析,进而获取纯文本信息是本文所要研究的重点内容。传统的信息提取技术通过配置模板等手段来进行网页解析,其存在效率低、可扩展性差的问题。本文提出了一种基于标题的网页信息抽取模型TWCEM,其通过标题特征来提取和校对每个网页的内容,TWCEM模型可以有效地过滤噪声并更准确地定位正文内容位置,进而提高模型的提取性能和并有效降低时间成本。完成信息抽取之后,需要对文本中的实体关系进行抽取,传统串联抽取手段存在信息割裂和误差传递等问题,为了解决上述问题,本文提出了一种基于迁移学习的实体关系联合多三元组抽取模型TME,该模型能够考虑实体关系之间的相关性,并很好地发现语句中包含的多个三元组,提高非结构化知识抽取的可行性和效能。通过实验证明,TME在实体关系联合抽取上的性能明显高于其他抽取模型。完成实体关系联合抽取之后,需要将抽取的实体指称项链接到已有的知识图谱当中,也就是实体链接,传统的实体链接方法利用局部特征的方式来进行实体链接,链接的精度和准确率还有待提高。本文提出了一种基于实体结构特征的实体链接模型方法Elesa,该模型通过结合实体的上下文特征、结构特征以及实体ID特征来共同表示实体特征向量;此外,模型还通过在Bi-LSTM模型上添加注意力机制来提取实体的指称项和上下文特征之间的关系,这种方法的优势在于可以同时捕获文本语义特征和位置特征。通过在多个数据集和其他实体链接模型进行对比,验证了Elesa模型在实体链接上较好的准确率和精度,明显优于其他同类算法。完成知识图谱的构建之后,为了提高知识图谱的覆盖范围并提高其中包含三元组的精度,需要通过知识表示模型进行知识图谱推理和补全。传统的表示模型存在算法复杂度较高、实体关系预测精度较低等问题。为了解决上述问题,本文提出了基于实体特征组合的大规模知识图谱表示技术CombinE,模型从两个互补的角度来探索实体特征——加法和减法模型。在加法模型中,任意一个关系的特征用其所属所有实体对的共享特征来表示。为了体现这些实体对的不同之处,运用减法模型来关注实体个性特征,并将关系作为抵消头尾实体间歧义和保留重要特征的通道。通过实验对比分析发现,CombinE以更低的时间和存储空间复杂度超越了其他表示模型,并达到了最优的表示效果。通过本文设计的知识图谱总体框架以及知识图谱构建与表示技术,能够为非结构化知识图谱的构建和表示方法提供一种可行的解决方法,也能够为实际的知识图谱构建提供一种可行的技术方案。
二、基于约束的半结构化信息的抽取方法（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、基于约束的半结构化信息的抽取方法（论文提纲范文）
（1）基于多源异构数据的地方风土人情知识图谱构建方法及应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 知识图谱相关研究现状 |
| 1.2.1 知识图谱研究现状 |
| 1.2.2 知识图谱问答系统研究现状 |
| 1.2.3 发展趋势 |
| 1.3 研究内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 相关概念与理论基础 |
| 2.1 本体 |
| 2.1.1 本体概念 |
| 2.1.2 本体语言 |
| 2.2 命名实体识别与实体关系抽取 |
| 2.2.1 命名实体识别 |
| 2.2.2 实体关系抽取 |
| 2.3 主要开发工具 |
| 2.3.1 Neo4j |
| 2.3.2 Protégé |
| 2.4 本章小结 |
| 第三章 基于多源异构数据的地方风土人情知识图谱构建方法 |
| 3.1 地方风土人情知识图谱本体构建 |
| 3.1.1 传统本体建模方法 |
| 3.1.2 风土人情领域本体构建方法 |
| 3.2 知识来源分析与搜集 |
| 3.3 基于结构化数据的三元组抽取 |
| 3.4 基于百度百科的知识抽取 |
| 3.4.1 实体属性类知识爬取 |
| 3.4.2 实体图片爬取 |
| 3.5 文本三元组抽取 |
| 3.5.1 基于纸质书籍的文本预处理与训练语料制作方法 |
| 3.5.2 实体关系联合抽取模型 |
| 3.6 知识融合 |
| 3.7 基于Neo4j的知识图谱存储 |
| 3.8 实体关系联合抽取实验 |
| 3.8.1 实验数据与参数设置 |
| 3.8.2 评价指标 |
| 3.8.3 实验对比与结果分析 |
| 3.9 本章小结 |
| 第四章 基于知识图谱的问答方法 |
| 4.1 知识图谱问答方法整体设计 |
| 4.2 实体提及识别方法 |
| 4.2.1 原实体提及识别方法 |
| 4.2.2 基于BERT的半指针半标注网络 |
| 4.3 基于规则的问句属性抽取 |
| 4.4 实体链接与候选路径生成 |
| 4.4.1 实体链接 |
| 4.4.2 候选路径生成 |
| 4.5 基于BERT的问句与候选查询路径的匹配 |
| 4.6 桥接与查询路径筛选 |
| 4.6.1 桥接 |
| 4.6.2 查询路径筛选 |
| 4.7 实验设计与结果评估 |
| 4.7.1 实验数据与参数设置 |
| 4.7.2 评价指标 |
| 4.7.3 实体提及识别实验 |
| 4.7.4 问答模型实验结果 |
| 4.8 本章小结 |
| 第五章 内蒙古风土人情问答系统开发与实现 |
| 5.1 需求分析 |
| 5.1.1 系统设计目的 |
| 5.1.2 系统功能需求 |
| 5.1.3 系统性能需求 |
| 5.2 系统设计与实现 |
| 5.2.1 系统总体框架设计与实现 |
| 5.2.2 系统技术框架设计 |
| 5.3 系统关键功能设计与实现 |
| 5.4 问答功能测试与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
（2）基于知识图谱的作物病虫害智能问答系统设计与实现（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 国内外研究现状 |
| 1.2.1 知识图谱 |
| 1.2.2 知识问答 |
| 1.3 研究内容与技术路线 |
| 1.4 论文组织结构 |
| 第二章 相关理论与技术 |
| 2.1 本体 |
| 2.2 知识抽取 |
| 2.2.1 命名实体识别 |
| 2.2.2 关系抽取 |
| 2.3 知识存储 |
| 2.4 知识融合与知识推理 |
| 2.5 属性链接 |
| 2.6 本章小结 |
| 第三章 作物病虫害智能问答系统设计框架 |
| 3.1 系统设计框架 |
| 3.2 系统主要技术 |
| 3.2.1 数据预处理 |
| 3.2.2 知识图谱构建 |
| 3.2.3 基于知识图谱的问答算法 |
| 3.2.4 问答服务平台搭建 |
| 3.3 本章小结 |
| 第四章 作物病虫害知识图谱构建 |
| 4.1 作物病虫害知识图谱构建流程 |
| 4.2 基于规则的半结构化知识抽取 |
| 4.3 基于BERT-Bi LSTM-CRF的实体关系联合抽取 |
| 4.3.1 ME+R+BIESO标注方法 |
| 4.3.2 BERT-Bi LSTM-CRF模型 |
| 4.3.3 实验及结果分析 |
| 4.4 基于Neo4j的知识存储 |
| 4.5 本章小结 |
| 第五章 基于知识图谱的知识问答算法 |
| 5.1 问句实体识别 |
| 5.2 属性链接 |
| 5.2.1 基于ERNIE的属性链接模型 |
| 5.2.2 属性标注库构建 |
| 5.2.3 实验结果与分析 |
| 5.3 答案查询 |
| 5.4 问句相似性计算 |
| 5.5 本章小结 |
| 第六章 作物病虫害智能问答原型系统设计与实现 |
| 6.1 开发环境与系统架构 |
| 6.1.1 开发环境 |
| 6.1.2 系统基础架构的实现 |
| 6.2 原型系统展示及测试 |
| 6.3 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（3）基于深度学习的垂直领域知识图谱构建方法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱构建技术 |
| 1.2.2 通用知识图谱构建 |
| 1.2.3 垂直领域知识图谱构建 |
| 1.3 本文研究内容 |
| 1.4 本文结构安排 |
| 第二章 相关技术研究 |
| 2.1 知识图谱定义及架构 |
| 2.2 知识表示 |
| 2.2.1 语义网表示 |
| 2.2.2 表示学习 |
| 2.2.2.1 距离模型 |
| 2.2.2.2 单层神经网络模型 |
| 2.2.2.3 张量神经网络模型 |
| 2.2.2.4 翻译模型 |
| 2.3 知识抽取 |
| 2.3.1 实体抽取 |
| 2.3.1.1 基于规则的方法 |
| 2.3.1.2 基于统计学习的方法 |
| 2.3.2 关系抽取 |
| 2.3.2.1 基于规则的方法 |
| 2.3.2.2 基于机器学习的方法 |
| 2.3.2.3 基于深度学习的方法 |
| 2.4 深度学习 |
| 2.4.1 卷积神经网络 |
| 2.4.1.1 基本概念 |
| 2.4.1.2 CNN在自然语言处理领域中的应用 |
| 2.4.2 BERT |
| 2.5 文本增强 |
| 2.5.1 无条件增强 |
| 2.5.1.1 词汇替代 |
| 2.5.1.2 引入随机噪声 |
| 2.5.1.3 混合和交叉增强 |
| 2.5.2 条件增强 |
| 2.5.2.1 深度生成模型 |
| 2.5.2.2 条件预训练语言模型 |
| 2.6 本章小结 |
| 第三章 半结构化数据知识抽取算法的研究与实现 |
| 3.1 行业知识抽取数据集 |
| 3.1.1 数据预处理 |
| 3.1.2 基于数据标注平台的基础数据标注 |
| 3.1.3 基于词典和实例交叉的增强数据生成算法 |
| 3.2 半结构化数据的知识抽取算法Bi-LSTM-CRF-SSG |
| 3.2.1 表格子模式层标注 |
| 3.2.2 基于子模式生成的表格知识抽取算法SSG |
| 3.3 本章小结 |
| 第四章 非结构化数据知识抽取算法的研究与实现 |
| 4.1 基于膨胀门卷积神经网络和概率图的联合实体关系抽取算法 |
| 4.1.1 概率图思想 |
| 4.1.2 字词混合嵌入 |
| 4.1.3 位置嵌入 |
| 4.1.4 膨胀门卷积神经网络(DGCNN) |
| 4.2 基于BERT迁移学习的管道实体关系抽取算法 |
| 4.2.1 BERT的微调 |
| 4.2.2 关系分类模型 |
| 4.2.3 主语宾语标注模型 |
| 4.3 基于BERT和概率图模型的联合实体关系抽取算法BERT-PGM |
| 4.4 本章小结 |
| 第五章 垂直领域知识图谱自动构建系统实现与测试 |
| 5.1 方案设计 |
| 5.2 系统实现 |
| 5.2.1 离线部分 |
| 5.2.1.1 模式层设计模块实现 |
| 5.2.2 在线部分 |
| 5.2.2.1 前端模块实现 |
| 5.2.2.2 后台模块实现 |
| 5.3 系统测试 |
| 5.3.1 测试环境 |
| 5.3.1.1 硬件环境 |
| 5.3.1.2 软件环境 |
| 5.3.2 抽取算法实验与分析 |
| 5.3.2.1 半结构化数据知识抽取准确性实验 |
| 5.3.2.2 非结构化数据知识抽取准确性实验 |
| 5.3.2.3 抽取结果问答应用实验 |
| 5.3.3 系统的功能测试 |
| 5.3.3.1 单文档抽取 |
| 5.3.3.2 多文档抽取 |
| 5.3.3.3 增量抽取 |
| 5.3.4 系统的性能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（4）面向科技咨询的知识图谱构建与管理平台的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景和意义 |
| 1.1.1 选题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 领域知识图谱构建技术研究现状 |
| 1.2.2 领域知识图谱构建平台研究现状 |
| 1.2.3 国内外研究现状小结 |
| 1.3 主要研究内容及创新点 |
| 1.4 硕士在读期间主要工作 |
| 1.5 论文组织结构 |
| 第二章 相关理论与技术研究 |
| 2.1 统一信息模型相关研究 |
| 2.1.1 共享信息与数据模型理论 |
| 2.1.2 元数据定义理论 |
| 2.1.3 数据中台理论 |
| 2.2 领域知识图谱构建相关技术 |
| 2.2.1 领域数据资源获取方法 |
| 2.2.2 概念图谱构建技术 |
| 2.2.3 知识抽取技术 |
| 2.2.4 知识融合技术 |
| 2.2.5 知识图谱可视化技术 |
| 2.2.6 图存储技术 |
| 2.3 本章小结 |
| 第三章 科技咨询大数据统一信息模型的设计实现 |
| 3.1 研究挑战 |
| 3.2 科技咨询大数据统一信息模型的设计方法 |
| 3.2.1 全域数据层次化定义 |
| 3.2.2 全域数据关联化组织 |
| 3.2.3 统一信息模型的图谱化 |
| 3.3 本章小结 |
| 第四章 领域知识图谱本体和数据的构建方法研究 |
| 4.1 研究挑战 |
| 4.2 领域知识图谱本体和数据的构建方法 |
| 4.2.1 大数据平台、AI开放平台、领域知识图谱构建工具的松耦合支撑模式 |
| 4.2.2 自顶向下为主、自底向上为辅的领域知识图谱本体和数据构建流程 |
| 4.2.3 多层级标签体系的领域知识图谱模式约束方法 |
| 4.2.4 自底向上数据驱动的知识获取方法 |
| 4.3 本章小结 |
| 第五章 面向科技咨询的知识图谱构建与管理平台的设计与实现 |
| 5.1 面向科技咨询的知识图谱构建与管理平台需求分析 |
| 5.1.1 平台业务需求 |
| 5.1.2 平台功能需求 |
| 5.2 面向科技咨询的知识图谱构建与管理平台总体设计 |
| 5.2.1 平台整体架构设计 |
| 5.2.2 平台功能及流程设计 |
| 5.3 数据库设计 |
| 5.4 核心功能模块设计与开发实现 |
| 5.4.1 数据资源管理子系统 |
| 5.4.2 图谱本体建模子系统 |
| 5.4.3 知识图谱构建子系统 |
| 5.4.4 知识图谱应用子系统 |
| 5.5 本章小结 |
| 第六章 面向科技咨询的知识图谱构建与管理平台的部署与测试 |
| 6.1 平台环境部署 |
| 6.2 平台核心功能测试 |
| 6.2.1 爬虫配置功能测试 |
| 6.2.2 图谱本体建模功能测试 |
| 6.2.3 知识图谱构建功能测试 |
| 6.2.4 知识图谱应用功能测试 |
| 6.3 本章小结 |
| 第七章 总结与展望 |
| 7.1 工作总结 |
| 7.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（5）简历自动获取与信息提取系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 课题研究目的 |
| 1.3 国内外研究现状 |
| 1.4 研究工作概述 |
| 1.5 论文组织结构 |
| 2 对象分析 |
| 2.1 半结构化文本 |
| 2.2 半结构化中文简历文本 |
| 2.3 中文简历文本解析的关键问题 |
| 2.4 本章小结 |
| 3 简历文本获取与词典构建 |
| 3.1 基于selenium的自动登录 |
| 3.2 简历文本的抓取下载 |
| 3.3 抽取词典集合的建立 |
| 3.4 本章小结 |
| 4 简历文本信息提取方案 |
| 4.1 简历文本信息抽取框架 |
| 4.2 简历文本预处理 |
| 4.3 简历文本块分割 |
| 4.4 简历文本字段识别 |
| 4.5 字段内容匹配算法 |
| 4.6 本章小结 |
| 5 系统实现及结果分析 |
| 5.1 系统总体框架 |
| 5.2 系统功能实现 |
| 5.3 实验结果分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（6）基于文本生成式的实体关系抽取算法研究与系统实现（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 国内外现状 |
| 1.2.1 实体关系抽取国内外研究现状 |
| 1.2.2 医学实体关系抽取平台国内外研究现状 |
| 1.2.3 研究现状总结 |
| 1.3 论文研究目标 |
| 1.4 论文组织结构 |
| 第二章 关键技术相关理论知识综述 |
| 2.1 命名实体识别任务 |
| 2.2 实体关系抽取任务 |
| 2.3 本章小结 |
| 第三章 基于文本生成式的重叠的多关系抽取模型的研究与实现 |
| 3.1 基于指针-生成器的多实体关系抽取模型的研究与实现 |
| 3.1.1 研究挑战 |
| 3.1.2 研究方案 |
| 3.1.3 关键技术 |
| 3.1.4 实验设置及数据集介绍 |
| 3.1.5 实验结果对比及分析 |
| 3.2 基于Hierarchical LSTMs结构的多实体关系抽取模型的研究与实现 |
| 3.2.1 研究挑战 |
| 3.2.2 研究方案 |
| 3.2.3 关键技术 |
| 3.2.4 实验设置 |
| 3.2.5 实验结果对比及分析 |
| 3.3 本章小结 |
| 第四章 医学领域多源异构数据的实体关系抽取的研究与应用 |
| 4.1 医学实体关系抽取的挑战分析 |
| 4.2 医学实体关系抽取方案 |
| 4.2.1 基于结构化和半结构化文本的规则包装器的实体关系抽取方法 |
| 4.2.2 基于本地数据库中非结构化文本的实体关系抽取 |
| 4.2.3 基于医学百科网页的自动抽取 |
| 4.3 医学知识混合存储 |
| 4.4 实体关系三元组规模 |
| 4.5 本章小结 |
| 第五章 医学实体关系抽取服务系统的设计与实现 |
| 5.1 需求分析 |
| 5.1.1 系统业务需求 |
| 5.1.2 系统功能需求 |
| 5.2 系统设计与实现 |
| 5.2.1 系统总体架构设计与实现 |
| 5.2.2 系统功能流程设计与实现 |
| 5.2.3 技术架构设计与实现 |
| 5.3 系统测试 |
| 5.3.1 系统功能测试 |
| 5.3.2 系统页面展示 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 系统设计与实现 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术成果 |
（7）基于本体的绿色建筑技术设计案例推理系统研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 绿色建筑发展背景 |
| 1.1.2 绿色建筑技术设计面临的困境与挑战 |
| 1.1.3 建筑领域数字化的研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 绿色建筑设计研究现状 |
| 1.2.2 案例推理在建筑领域的研究现状 |
| 1.2.3 本体在建筑领域应用的研究现状 |
| 1.2.4 基于本体的案例推理系统的研究现状 |
| 1.2.5 研究综述小结 |
| 1.3 研究目的和意义 |
| 1.3.1 研究目的 |
| 1.3.2 研究意义 |
| 1.4 研究内容及结构安排 |
| 1.5 研究方法和技术路线 |
| 1.5.1 研究方法 |
| 1.5.2 技术路线图 |
| 1.6 创新点 |
| 2 研究理论基础 |
| 2.1 专家系统 |
| 2.1.1 专家系统的发展历程 |
| 2.1.3 专家系统的类型 |
| 2.1.4 传统专家决策系统特点 |
| 2.2 案例推理理论的基本原理 |
| 2.2.1 案例推理的发展历程 |
| 2.2.2 案例推理的基本原理 |
| 2.2.3 案例推理的特点 |
| 2.3 本体方法论 |
| 2.3.1 本体的定义 |
| 2.3.2 本体的分类 |
| 2.3.3 本体的构成要素 |
| 2.3.4 本体描述语言 |
| 2.3.5 本体的构建 |
| 2.3.6 本体学习 |
| 2.4 本章小结 |
| 3 绿色建筑技术设计案例推理系统框架构建 |
| 3.1 绿色建筑内涵及评价体系 |
| 3.1.1 绿色建筑内涵 |
| 3.1.2 绿色建筑发展 |
| 3.1.3 绿色建筑评价体系 |
| 3.1.4 绿色建筑评价体系对绿色建筑设计的引导作用 |
| 3.2 绿色建筑设计 |
| 3.2.1 绿色建筑设计的特点 |
| 3.2.2 传统建筑设计流程 |
| 3.2.3 绿色建筑设计流程 |
| 3.2.4 绿色建筑设计团队组成 |
| 3.2.5 绿色建筑设计面临的主要挑战 |
| 3.3 绿色建筑技术设计基本内容 |
| 3.3.1 节地和室外环境设计 |
| 3.3.2 节材设计 |
| 3.3.3 节能设计 |
| 3.3.4 节水设计 |
| 3.3.5 室内环境设计 |
| 3.4 基于本体的绿色建筑技术设计案例推理系统框架 |
| 3.4.1 案例推理技术应用于绿色建筑技术设计的可行性 |
| 3.4.2 基于案例推理的绿色建筑技术设计成果构成 |
| 3.4.3 基于本体的案例推理系统的优势 |
| 3.4.4 系统整体框架 |
| 3.5 本章小结 |
| 4 绿色建筑领域本体的构建原理 |
| 4.1 构建绿色建筑领域本体的任务 |
| 4.2 绿色建筑领域本体概念的提取原理 |
| 4.2.1 领域文本预处理 |
| 4.2.2 绿色建筑领域术语的提取 |
| 4.2.3 同义词合并 |
| 4.3 绿色建筑领域本体概念关系的识别 |
| 4.3.1 概念间分类关系的提取 |
| 4.3.2 非分类关系提取 |
| 4.4 绿色建筑本体构建的实现过程 |
| 4.4.1 绿色建筑本体概念及概念间关系提取 |
| 4.4.2 绿色建筑本体的实现 |
| 4.4.3 绿色建筑本体的形式化表示 |
| 4.5 本章小结 |
| 5 绿色建筑技术设计案例推理系统中的案例库构建原理 |
| 5.1 绿色建筑技术设计案例表示的框架 |
| 5.1.1 案例表示的原则 |
| 5.1.2 案例表示的方法 |
| 5.1.3 绿色建筑技术设计案例的内容 |
| 5.1.4 基于本体的绿色建筑技术设计案例表示的框架 |
| 5.2 绿色建筑技术设计案例的基本特征选取 |
| 5.3 绿色建筑技术设计案例的文本语义特征提取 |
| 5.3.1 传统文本表示的方法 |
| 5.3.2 基于领域本体的绿色建筑技术设计案例文本表示方法 |
| 5.3.3 绿色建筑技术设计案例文本的预处理 |
| 5.3.4 绿色建筑技术设计案例语义标引的建立 |
| 5.3.5 绿色建筑技术设计案例文本语义特征权重的计算方法 |
| 5.3.6 基于领域本体的语义向量构建的算法 |
| 5.4 绿色建筑技术设计案例的存储 |
| 5.5 本章小结 |
| 6 绿色建筑技术设计案例推理系统中案例检索机制的设计 |
| 6.1 绿色建筑技术设计案例检索方法和流程 |
| 6.1.1 案例检索方法 |
| 6.1.2 案例检索流程 |
| 6.2 绿色建筑技术设计案例基本特征相似度计算 |
| 6.2.1 绿色建筑技术设计案例基本特征的数据类型 |
| 6.2.2 绿色建筑技术设计案例的基本特征相似度计算模型 |
| 6.3 绿色建筑技术设计语义特征检索机制建立 |
| 6.3.1 基于本体的语义检索 |
| 6.3.2 基于本体的查询扩展 |
| 6.3.3 基于本体的语义检索模型中相似度计算 |
| 6.4 绿色建筑技术设计案例检索机制中综合相似度测算模型 |
| 6.4.1 案例全局相似度计算模型 |
| 6.4.2 案例特征权重确定方法 |
| 6.4.3 层次分析法 |
| 6.4.4 绿色建筑技术设计案例特征权重确定 |
| 6.5 绿色建筑技术设计案例调整及案例库的维护 |
| 6.5.1 绿色建筑技术设计案例重用与修正 |
| 6.5.2 绿色建筑技术设计案例学习 |
| 6.6 本章小结 |
| 7 绿色建筑技术设计案例推理系统的实证研究 |
| 7.1 绿色建筑技术设计案例推理系统的需求分析 |
| 7.1.1 系统的需求概述 |
| 7.1.2 系统功能需求 |
| 7.2 绿色建筑技术设计案例推理系统总体设计 |
| 7.2.1 系统架构设计 |
| 7.2.2 系统的工作流程 |
| 7.3 绿色建筑技术设计案例推理系统的界面设计 |
| 7.4 绿色建筑技术设计案例推理系统的应用 |
| 7.4.1 绿色建筑技术设计实证背景 |
| 7.4.2 绿色建筑技术设计案例推理系统的检索过程 |
| 7.4.3 系统检索结果的讨论 |
| 7.4.4 绿色建筑技术设计决策 |
| 7.5 本章小结 |
| 8 结论与展望 |
| 8.1 研究总结 |
| 8.2 研究存在的不足以及未来工作的展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读博士学位期间所发表的文章目录 |
| B 作者在攻读学位期间参与的科研项目 |
| C 绿色建筑领域本体概念间非分类关系提取的源代码 |
| D 绿色建筑技术设计案例基本信息 |
| E 学位论文数据集 |
| 致谢 |
（8）基于BIM的MEP管线综合知识库构建与可视化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 问题的提出 |
| 1.3 研究目的和意义 |
| 1.4 国内外研究综述 |
| 1.5 研究方案 |
| 2 MEP方案BIM管线综合信息体系构建 |
| 2.1 基于BIM的 MEP方案管线综合概述 |
| 2.2 基于扎根理论的管综信息需求分类 |
| 2.3 基于半结构化访谈的BIM管综信息体系建立 |
| 2.4 本章小结 |
| 3 MEP方案管综信息的拓扑与量化 |
| 3.1 MEP专业管线拓扑关系分析 |
| 3.2 基于实体关系的间距约束分析 |
| 3.3 基于管线拓扑的排布原则分析 |
| 3.4 本章小结 |
| 4 MEP管综知识库的构建 |
| 4.1 知识库的相关理论 |
| 4.2 MEP管综知识库的框架设计 |
| 4.3 基于SQL Server的知识库的构建 |
| 4.4 本章小结 |
| 5 基于BIM与知识库的MEP管综系统设计 |
| 5.1 MEP管综系统需求分析 |
| 5.2 MEP管综系统框架设计 |
| 5.3 MEP管综系统知识应用模块实现原理 |
| 5.4 本章小结 |
| 6 基于BIM与知识库的MEP管综系统实现 |
| 6.1 系统实现的关键技术与平台 |
| 6.2 MEP管综系统功能模块实现 |
| 6.3 MEP管综知识库的可视化 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（9）基于多源异构数据的中文旅游知识图谱构建方法研究（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 知识图谱相关研究现状 |
| 1.2.1 知识图谱研究现状 |
| 1.2.2 知识抽取研究现状 |
| 1.2.3 实体对齐研究现状 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 多源异构的中文旅游知识抽取 |
| 2.1 知识来源分析 |
| 2.2 基于百科站点的知识抽取 |
| 2.2.1 基于百科页面的半结构化知识抽取 |
| 2.2.2 基于百科页面的非结构化知识抽取 |
| 2.3 基于垂直网站知识抽取 |
| 2.4 基于CRF和候选句的属性扩充 |
| 2.4.1 基于infobox构建属性词表 |
| 2.4.2 候选句选择 |
| 2.4.3 基于CRF和候选句的实体属性值抽取 |
| 2.4.4 实验及实验结果分析 |
| 2.5 本章小结 |
| 第3章 知识图谱中的知识融合 |
| 3.1 知识图谱中的实体对齐 |
| 3.2 基于神经网络的词向量表示技术 |
| 3.2.1 Skip-gram模型和CBOW模型 |
| 3.2.2 Directional Skip-Gram(DSG)模型 |
| 3.2.3 基于BERT模型的词向量表示技术 |
| 3.3 基于BERT的实体对齐实验 |
| 3.4 本章小结 |
| 第4章 基于旅游领域知识图谱的应用 |
| 4.1 旅游知识图谱的知识库整理与存储 |
| 4.2 基于旅游领域知识图谱的搜索应用 |
| 4.2.1 基于关键字模式匹配 |
| 4.2.2 关键词同义词典构建 |
| 4.2.3 基于模式匹配和旅游知识库的搜索 |
| 4.3 中文旅游知识图谱的可视化系统 |
| 4.4 本章总结 |
| 第5章 总结和展望 |
| 5.1 全文总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间研究成果 |
（10）面向非结构化数据的知识图谱构建与表示技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号使用说明 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 知识图谱的起源与发展 |
| 1.1.2 现有知识图谱框架以及其存在的问题 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱研究现状 |
| 1.2.2 实体关系抽取研究现状 |
| 1.2.3 实体链接研究现状 |
| 1.2.4 知识表示研究现状 |
| 1.3 研究内容 |
| 1.4 研究意义 |
| 1.4.1 理论意义 |
| 1.4.2 现实意义 |
| 1.5 论文结构 |
| 第二章 知识图谱构建与表示框架设计 |
| 2.1 相关定义 |
| 2.2 知识图谱构建与表示总体框架 |
| 2.2.1 构建流程框架 |
| 2.2.2 知识表示与表示学习相关方法 |
| 2.2.3 信息抽取方法 |
| 2.2.4 实体关系抽取方法 |
| 2.2.5 实体链接方法 |
| 2.3 关键技术 |
| 2.3.1 知识表示技术 |
| 2.3.2 自然语言处理技术 |
| 2.3.3 条件随机场 |
| 2.3.4 深度学习技术 |
| 2.3.5 优化算法 |
| 2.4 本章小结 |
| 第三章 基于标题的非结构化信息抽取技术 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.2.1 基于规则的Web信息抽取技术 |
| 3.2.2 基于特征的Web信息抽取技术 |
| 3.3 基于标题的网页信息抽取技术 |
| 3.3.1 HTML解析 |
| 3.3.2 标题抽取 |
| 3.3.3 内容抽取算法 |
| 3.3.4 模型分析 |
| 3.4 实验评估与结果分析 |
| 3.4.1 数据集和评价指标 |
| 3.4.2 模型评估 |
| 3.4.3 模型复杂度分析 |
| 3.5 小结 |
| 第四章 基于迁移排序模型的结构化知识抽取技术 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 联合抽取模型 |
| 4.3.1 模型框架 |
| 4.3.2 实体抽取模块 |
| 4.3.3 三段的标签模型 |
| 4.3.4 多层迁移模型 |
| 4.3.5 模型的训练和抽取 |
| 4.4 实验结果分析 |
| 4.4.1 数据集 |
| 4.4.2 实验设置 |
| 4.4.3 结果分析 |
| 4.5 总结 |
| 第五章 面向知识融合的实体链接模型方法 |
| 5.1 引言 |
| 5.2 实体链接模型 |
| 5.2.1 候选实体生成和过滤 |
| 5.2.2 指称项和实体的联合embedding训练模型 |
| 5.2.3 基于深度神经网络的实体消歧算法 |
| 5.3 实验和结果分析 |
| 5.3.1 实验相关配置 |
| 5.3.2 数据集和比较模型 |
| 5.3.3 实体链接结果分析 |
| 5.4 相关工作 |
| 5.5 总结 |
| 第六章 基于实体特征组合的大规模知识图谱表示技术 |
| 6.1 引言 |
| 6.2 相关工作 |
| 6.2.1 基于特征映射模型 |
| 6.2.2 基于特征交互的表示模型 |
| 6.2.3 其他表示模型 |
| 6.3 基于实体特征组合的知识表示模型 |
| 6.3.1 实体描述 |
| 6.3.2 实体的加法组合特征 |
| 6.3.3 实体的减法组合特征 |
| 6.3.4 集成的知识表示模型 |
| 6.3.5 模型训练 |
| 6.3.6 模型分析 |
| 6.4 实验与分析 |
| 6.4.1 数据集 |
| 6.4.2 实验基本设置 |
| 6.4.3 实体链接实验 |
| 6.4.4 超参数分析 |
| 6.4.5 模型复杂度分析 |
| 6.4.6 表示模型在大规模知识图谱上的性能 |
| 6.5 总结 |
| 第七章 总结与展望 |
| 7.1 本文主要工作 |
| 7.2 未来研究工作 |
| 7.2.1 自动本体构建与扩展 |
| 7.2.2 小样本情况下知识图谱构建技术 |
| 7.2.3 多源知识融合 |
| 7.2.4 知识图谱原型系统设计 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
四、基于约束的半结构化信息的抽取方法（论文参考文献）
- [1]基于多源异构数据的地方风土人情知识图谱构建方法及应用研究[D]. 蔡新辉. 内蒙古工业大学, 2021(01)
- [2]基于知识图谱的作物病虫害智能问答系统设计与实现[D]. 吴赛赛. 中国农业科学院, 2021(09)
- [3]基于深度学习的垂直领域知识图谱构建方法研究与实现[D]. 杨小敏. 北京邮电大学, 2021(01)
- [4]面向科技咨询的知识图谱构建与管理平台的设计与实现[D]. 马超童. 北京邮电大学, 2021(01)
- [5]简历自动获取与信息提取系统设计与实现[D]. 宋琦敏. 华中科技大学, 2020(01)
- [6]基于文本生成式的实体关系抽取算法研究与系统实现[D]. 肖思琪. 北京邮电大学, 2020(04)
- [7]基于本体的绿色建筑技术设计案例推理系统研究[D]. 严行. 重庆大学, 2019(05)
- [8]基于BIM的MEP管线综合知识库构建与可视化研究[D]. 王苏文. 中国矿业大学, 2019(01)
- [9]基于多源异构数据的中文旅游知识图谱构建方法研究[D]. 李祎菲. 陕西师范大学, 2019(06)
- [10]面向非结构化数据的知识图谱构建与表示技术研究[D]. 谭真. 国防科技大学, 2018(01)