4.5 路段属性信息在基于动态网格的拼车系统中的应用
4.6 本章小结
结论
计算机论文范文三：面向司法文书的关系抽取技术研究
图 1.2 shapelet 示意图
近些年,随着国家法制建设的推进,如何通过信息抽取技术从海量司法文书中获取有用信息,助力于“智慧司法”建设,已成为自然语言处理领域中的研究热点。其中,关系抽取作为司法信息抽取技术中的关键技术之一,不仅能够帮助办案人员进行案件要素的关系梳理,提高办案效率,还可为司法问答、司法推理、司法知识图谱构建提供重要的技术支持,因此,其研究意义重大。然而由于司法文本的复杂性和特殊性,导致各罪名案件间的关系诉求存在较大差异,这给关系抽取的研究工作带来了很大的挑战。首先,针对司法二元关系抽取任务中,由于实体间的跨阶依存导致语义学习不充分的问题,提出一种基于主题模型的加权图卷积网络(Tp-WGCN),该方法采用改进的LAM算法构建邻接矩阵,不仅有效避免了跨阶依存信息的丢失,还提高了模型的推理能力。该方法还提出了一种基于主题模型的实体信息增强方法,进一步丰富了实体的知识信息。
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 关系抽取研究现状
1.2.2 图神经网络研究现状
1.2.3 预训练语言模型研究现状
1.3 本文工作
1.4 论文结构
2 相关技术与评价指标
2.1 相关技术
2.1.1 词向量
2.1.2 神经网络
2.1.3 主题模型
2.2 实验数据集
2.2.1 涉毒类关系抽取数据集
2.2.2 故意伤害罪关系抽取数据集
2.3 评价指标
3 基于主题模型的加权图卷积网络
3.1 引言
3.2 方法
3.2.1 序列编码层
3.2.2 语义表示层
3.2.3 表示融合层
3.2.4 分类层
3.3 实验分析
3.3.1 数据集与实验设置
3.3.2 实验结果及分析
3.4 本章小结
4 基于CriElectra的编-解码关系抽取模型
4.1 引言
4.2 方法
4.2.1 预训练层
4.2.2 文本表示层
4.2.3 特征聚类层
4.3 实验分析
4.3.1 数据集与实验设置
4.3.2 实验结果及分析
4.4 本章小结
5 关系抽取可视化
5.1 系统需求分析
5.2 功能需求分析
5.3 相关技术
5.4 系统总体设计
5.5 可视化展示
5.5.1 系统界面可视化
5.5.2 关系抽取结果可视化
5.6 本章小结
结论
计算机论文范文四：大规模属性网络的表征学习方法研究
现实生活中有许多复杂的网络系统,例如社交网络、生物分子网络和互联网等,利用网络结构建模这些复杂系统的研究已为社会提供了诸多创新应用。网络表征学习(又称网络嵌入)是将网络的节点表征为低维连续空间中的向量,且同时保留网络结构及其固有属性的一种有效方法,推动了下游网络数据挖掘任务的重大进展,近年来受到了学术界和工业界的极大关注,工业界已将网络表征学习技术纳入了下一代网络分析平台的基础性架构。
1 绪论
1.1 研究意义
1.2 研究思路与创新点
1.3 研究内容与组织结构
1.4 研究问题的联系
2 国内外研究现状
2.1 静态网络表征学习方法
2.1.1 同质网络表征学习方法
2.1.2 属性网络表征学习方法
2.1.3 异质网络表征学习方法
2.1.4 多层异质网络表征学习方法
2.2 动态网络表征学习方法
2.2.1 动态同质网络
2.2.2 动态同质属性网络
2.3 融合motif的网络表征学习相关研究
2.4 随机投影相关研究
2.5 小结
3 大规模属性网络的动态表征学习
3.1 引言
3.2 问题定义
3.3 大规模属性网络的动态表征学习
3.3.1 离线表征学习模型
3.3.2 在线表征学习模型
3.3.3 算法复杂度分析
3.4 实验分析与结果
3.4.1 实验设置
3.4.2 效率评估
3.4.3 节点分类效果评估
3.4.4 链路预测效果评估
3.4.5 网络重建效果评估
3.4.6 参数敏感性评估
3.5 小结
4 大规模多层异质属性网络的快速表征学习
4.1 引言
4.2 问题定义
4.3 大规模多层异质属性网络表征学习
4.3.1 图转换
4.3.2 基于随机投影的图卷积神经网络
4.4 实验分析与结果
4.4.1 实验设置
4.4.2 效率评估
4.4.3 链路预测效果评估
4.4.4 节点分类效果评估
4.4.5 可扩展性评估
4.4.6 参数敏感性评估
4.5 小结
5 融合网络motif的大规模属性时序网络动态表征学习
5.1 引言
5.2 问题定义
5.3 融合网络motif信息的图神经网络
5.3.1 融合motif信息的编码器
5.3.2 基于时间移位的MPE层
5.3.3 模型学习
5.4 实验分析与结果
5.4.1 实验设置
5.4.2 动态链路预测效果评估
5.4.3 不同网络motif的影响评估
5.4.4
