一、在WORD2000中自动填充卡片（论文文献综述）
戴若星[1]（2021）在《公路桥梁定期检查评定系统研究与开发》文中进行了进一步梳理长久以来,桥梁作为社会资产的重要组成部分,它的稳固与安全一直是我们关注的重点。由于既有的桥梁定期检查系统和工作方式存在桥梁检查与数据处理“孤岛式”作业,检查数据和报告纸质化存储复用率低,检查报告仍以人工方式编写为主等问题,难以适应当今工程项目信息化、标准化、高效化需求。因此,基于先进的信息技术、计算机编程技术,开发现代化的桥梁定期检查与评定系统,科学、高效、经济的完成桥梁定期检查工作,是我国桥梁养护管理领域急需完成的首要任务。本文依托相关科研项目,研发公路桥梁定期检查评定系统,论文具体内容如下:（1）分析了桥梁定期检查内容、工作流程,基于《公路桥梁技术状况评定标准》（JTG＿H21-2011）和公路桥梁养护管理规范,研究了桥梁技术状况评定方法,为本文系统的研发提供了现实和理论基础。（2）设计了系统数据库总体结构、概念结构和表结构,构建了桥梁定期检查管理与病害信息数据库,为公路桥梁定期检查与评定系统提供数据访问服务。（3）研究了桥梁定期检查数据自动化处理和分析技术,结合Word文档二次开发技术和报告模板定制,设计制定固定的病害统计文本语法规则、表格格式和数据图类型,实现了一键生成检测报告。（4）设计了系统总体框架和主要功能模块,基于此,采用C#编程语言,开发了公路桥梁定期检查评定系统。该系统先后在吉林省、四川省高速公路桥梁定期检查项目中进行了系统测试和工程应用,结果证明系统具有良好的工程应用价值。
刘雨森[2]（2021）在《基于深度学习的图像生成诗歌方法与系统》文中研究指明随着深度学习的发展,中国古典诗歌的自动生成研究取得了很大的进展。近年来,研究人员在关注如何提高自动生成诗歌质量的同时,提出了根据图像信息生成诗歌这一跨模态任务。目前,针对该任务的研究方法仍然存在诗句主题偏移和语义不一致的问题;同时一些重要的图像信息不能准确的被表达在生成的诗歌中;而且在训练过程中,图像和诗歌的配对数据集存在质量差和难以构建的问题。本文针对这些问题,提出了一种基于深度学习的图像生成诗歌方法,将图像信息定义为具体信息和抽象信息,然后从图像中提取并融合这两种信息;设置了多组对比实验和消融实验,通过机器评价和人工评价来评估模型的性能。评估结果表明了本文的方法优于其他方法,验证了本文的方法可以在不损失生成诗歌质量的前提下,有效地提高图像与诗歌的一致性。本文的主要工作如下:1.提出了一种基于填空的诗歌生成模型。该模型将具体信息的关键词以显式的方式填充到每行诗歌中,从而保证图像中抽取的关键词一定出现在生成的诗中,进而解决了主题偏移的问题。2.提出了一个基于词嵌入的抽象信息融合方法,通过词嵌入的方式将抽象信息融合到生成的诗歌中,解决了图像中的抽象信息不能被准确表达的问题。3.使用了一种特殊的训练方法对齐图像和诗歌信息,在训练过程中使用非平行数据,而非图像与诗的配对数据集;为了训练模型,分别构建了特殊的图像数据集和诗歌数据集。本文设计了一个基于深度学习的诗歌生成系统。现有的中国古典诗歌生成系统大多基于模板生成,并且接受多模态输入的能力匮乏,同时自由度较低,难以实现人机协作写诗。为了改进现有系统的缺点,本文提出的诗歌生成系统基于深度学习技术,使用了二十多万首诗歌训练,取得了很好的生成效果。本系统可以接受多种模态的输入,如文本输入、图像输入或诗歌意象输入。同时,本系统还增加了辅助作诗的功能,用户可以与系统协作创作诗歌,系统作为辅助工具帮助用户完成创作。为了方便使用,本文将诗歌生成系统部署在微信小程序平台上,支持用户在移动设备上使用本系统。
盛泳潘[3]（2020）在《面向知识图谱的学习算法研究与应用》文中研究指明随着认知智能技术的深入发展,知识图谱俨然成为了大数据时代的一种重要的知识表示形式。在多个垂直领域,以数据分析、智慧搜索、智能推荐、自然人机交互为主的实际应用场景中,皆对知识图谱提出了客观的使用需求。与此同时,知识图谱作为实现机器认知智能的重要基石,同样是现阶段人工智能领域的热门研究课题。本文面向知识图谱构建与智能应用中的若干关键理论问题开展学习算法研究与实证分析。其中,从开放域环境中自动获取关系实例是构建大规模知识图谱的基础,精准地识别概念间的上下位关系是在纵向层面上扩展知识层级体系结构的关键,通过知识图谱表示学习可实现知识图谱数值化表示,得以让机器更好地处理并应用知识图谱进行知识计算。立足于文本数据,构建一套完整的领域知识图谱模型是一个极富挑战性的任务。本文的研究内容与主要贡献可总结为:第一,针对开放域场景下的实体关系抽取问题,提出了一个基于句法分析的开放关系抽取模型。该模型采用一种规则增强的句法分析方法,提高了对句子结构的分析能力,从而得到了更多具有高质量关系短语的三元组。再者,通过一种关系强度度量方法,从中进一步筛选出显着且有良好关系强度的三元组作为最终的抽取结果。我们在四个真实世界的开放域数据集上进行了实证研究,实验结果表明:我们的方法具有无监督、自动化的特点,能够适应一定规模的异质文本语料。相比于多个具有代表性的基线方法,我们的模型在开放关系抽取任务上实现了性能的提升。第二,针对知识图谱中概念上下位语义关系的精准识别问题,我们充分利用WordNet和英文版维基百科这两个高质量的外部知识库,赋予候选上下位关系元组中的两个概念以文本定义的证据,提出了一个由概念定义驱动的上下位关系预测模型。一方面,通过引入高价值的文本知识,拓展了概念的语义上下文,弥补了现有方法从特征并不充分的,有着领域独立性的训练语料的上下文中学习概念嵌入表示的局限性。再者,有助于更好的解释领域相关的,或存在歧义的候选上下位关系元组;另一方面,模型能够将（概念,概念的定义）进行联合建模,有助于挖掘两者语义上下文中隐含的上下位关系特征。最后,通过端到端的训练,避免了传统预测模型先学习概念嵌入表示,再学习二元分类器的诸多局限,更为有效地利用了训练数据。在开放域与限定域数据集上的实验结果表明,我们的模型在性能与泛化能力上表现一致,且优于近年来表现较好的基线模型。第三,针对时序知识图谱上缺失链接的补全与纠正问题,我们基于该问题的先领性工作,提出了一个名为TKGFrame的两阶段时序知识图谱补全模型。TKGFrame在以下三个方面进行了扩展:第一方面,提出了一种改进的时序演化矩阵,使其能够更好地刻画同一个时序关系链条上时序顺序关系之间的演化强度。第二方面,基于时序知识图谱的嵌入结果,将其中缺失事实成立的合理性度量建模为一个带约束的优化问题,并采用整数线性规划方法对该问题进行求解,进一步过滤了候选结果中的不合理预测;第三方面,将上述两个模型无缝地整合在TKGFrame框架之下。在三个真实世界的时序知识图谱数据集上的实验结果表明,TKGFrame模型在实体预测和关系预测任务上的性能显着优于目前主流的相关工作。第四,新闻通常产生自特定的事件或者话题,如今已成为人们从互联网上获取信息的重要来源。在现实场景中,用户易于淹没在快速累积的、冗余的、多样的新闻报道之中,而无法有效感知并掌握其中重要的事实知识,从上述真实的用户诉求出发,我们提出了一套名为MuReX的概念知识图谱构建模型,该模型包括一种结合多种抽取器的抽取策略、一种改进自学习框架的两阶段候选关系实例过滤算法、一种关系实例兼容性度量、一种关系实例重要性度量、一种启发式知识图谱构造策略。这些完整且实用的技术被集成到了统一的MuReX框架,经过数据预处理、候选关系实例抽取、主题一致性估计、关系实例兼容性度量和概念知识图谱生成五个重要的建模过程,最终生成了包含显着事实的、高质量的概念知识图谱。据此,用户得以快速地洞察特定主题下的新闻事实、事件的发展脉络,以及探索其中潜在的、新的关系连接。
李新琴[4]（2020）在《高速铁路安全文本大数据分析方法研究》文中研究表明我国是世界上高速铁路建设和运营规模最大的国家,同时也是外部环境和运营场景最复杂的国家,为保障高速铁路安全运营,已经形成了具有中国特色的超大规模、超强客货需求的路网运输组织和安全保障技术。随着高速铁路运营里程的积累,产生和存储了面向路网运营与安全的海量多源异构数据,这些数据承载了路网重要的安全信息,借助和运用大数据技术,挖掘高速铁路安全数据价值,全面了解高速铁路运营的安全状况、安全规律以及安全影响因素,采取科学有效措施预防和控制事故故障及其影响,是提升路网运输安全保障水平的必要途径。高速铁路安全涉及铁路各个专业,数据来源较多并且类型复杂,其中大量数据都是以文本、图像、音频等非结构化形式存储,以文本形式存储的高速铁路安全数据是非结构化数据的主要载体,许多研究学者对该类文本数据进行了研究,提出了很多具有借鉴价值的文本数据分析方法,但没有对安全文本数据进行系统的分析,存在数据分析零散、分析方法普适性不强的问题。本文围绕高速铁路安全文本数据,总结安全文本数据来源、特点及其分析价值,采用知识图谱构建与应用的方法实现安全文本数据的价值挖掘,针对高速铁路设备故障数据,提出了一系列文本分析方法构建故障诊断与处理知识图谱,并将理论与实践相结合,依托铁路数据服务平台构建高速铁路安全文本大数据平台,论文的主要工作包括:（1）基于深度学习集成的高速铁路设备故障分类方法。针对高速铁路设备故障文本数据特征,提出了组合加权集成方法将BiGRU和BiLSTM深度学习网络进行集成,采用ADASYN自适应综合过采样方法解决设备故障数据类别不均衡问题,构建了基于深度学习集成的高速铁路设备故障分类模型,实现了高速铁路设备故障自动分类。采用高速铁路2008-2018年的道岔设备故障数据进行实验,实验证明本文提出的基于深度学习集成的设备故障分类模型是一种分类性能较高的分类模型。（2）高速铁路设备故障命名实体与实体关系抽取方法。根据设备故障文本数据定义故障诊断与处理的命名实体与实体关系知识结构,采用BIOES标注方法统一标注命名实体与实体关系样本数据,提出了多维字符特征表示+BiLSTM+CRF的命名实体抽取方法,以及多维分词特征表示+Transformer的实体关系抽取方法,实现了设备故障文本数据中关键信息的自动抽取。采用高速铁路2008-2018年的道岔设备故障数据对模型进行实验验证,实验证明本文提出的命名实体与实体关系抽取方法均具有较高的精确度。（3）基于概念相似度计算的设备故障实体对齐方法。针对命名实体抽取方法抽取出来的设备故障命名实体存在冗余问题,提出了基于《知网》概念相似度计算的实体对齐方法,通过设备故障实体词汇抽取过程、概念相似度计算过程以及实体对齐过程,实现了设备故障冗余命名实体的去重与统一。采用设备故障命名实体进行方法验证,实验证明基于概念相似度计算的命名实体对齐方法能够有效解决设备故障命名实体冗余问题。（4）高速铁路安全文本大数据平台设计与实现。提出了高速铁路安全文本大数据平台的总体框架、技术架构以及功能架构,设计安全文本数据分析的业务流程以及模型的动态交互方式,实现了安全文本数据从样本标注、模型训练、应用分析为一体的智能化操作平台,并对平台的核心功能进行了展示,以构建信号设备故障诊断与处理知识图谱为案例,介绍了各设备故障文本分析方法在平台上的实现过程。平台现面向中国铁道科学研究院集团有限公司下属各单位应用,通过各专业科室对各自的高速铁路十年的安全文本数据分析,证明本文的研究成果能够切实有效的解决高速铁路安全文本数据分析问题。
康莉[5]（2020）在《基于知识图谱的心血管病问答系统的研究与实现》文中提出我国现阶段持续上升的心血管病患病率与有待完善的医疗服务建设相矛盾,随着“互联网+”及人工智能时代的到来,智慧医疗成为新的发展方向。医学领域积累了海量数据,知识图谱可以从中提炼信息并加以应用,成为实现智慧医疗的基石。基于知识图谱的自动问答可以理解用户的搜索意图并返回更精准、有效的答案。本文针对电子病历的知识抽取与基于深度学习的语义解析技术进行深入研究,旨在构建一个心血管病知识图谱,并在其基础上开发自动问答系统,不仅为普通民众、患者等提供了一个高效精准获取心血管病知识的渠道,也响应了智慧医疗的政策。本文主要研究内容如下:（1）基于标注策略与深度学习的知识抽取。通过对现有联合标注机制进行改进,提出能标注病历中重叠关系的方案。在主流抽取模型BiLSTM-LSTMBias的基础上,引入对抗训练以改善鲁棒性;利用自注意力机制充分捕获语句特征;增加实体解码层提高对实体知识的敏感性;引入基于共享-私有域分离网络的对抗迁移学习以从其他命名实体识别语料集中学习任务共享的词边界特征并过滤特定信息,提高模型准确性。最终提出基于双对抗迁移学习的抽取模型:JOINT-Adversarial Transfer。实验证明该模型较BiLSTM-LSTM-Bias性能有非常明显的改善,F1值提高了 4.17%。（2）心血管病知识图谱的构建。为了丰富知识图谱,利用基于包装器的技术从39健康网、百度百科抽取知识,通过知识合并及实体对齐相关技术完成不同来源知识的融合,将其存储至Neo4j等数据库,成功构建了较为完整的心血管病知识图谱。（3）基于语义解析的自动问答系统。针对Word2vec无法区别同一字符在不同语境下含义的问题,本文采用BERT生成基于上下文语境的动态嵌入向量;为了减少标注工作,采用基于不确定性的主动学习策略来选择更有启发性的样本训练模型。最终提出基于主动学习与BERT的语义解析方案。实验证明BERT能有效提升模型性能,主动学习训练方式仅需约50%的标注语料集就能达到满意的性能。结合Vue.js框架,D3工具开发系统前后端服务,成功实现心血管病知识自动问答功能。
王莉[6]（2019）在《基于知识图谱的城市轨道交通建设安全管理智能知识支持研究》文中研究表明城市轨道交通建设工程是一项复杂的、高风险的系统工程,具有建设规模大、参与人员多、技术工艺复杂、施工环境多变等特点,极易产生安全事故。由于安全事故是由各种风险因素共同作用的结果,因此,安全管理需要全面、综合性的知识支持。尽管城市轨道交通建设行业已经积累了大量的数据资料,但是在面临具体安全问题时,如何从众多的数据资料中快速、准确获取所需知识,至今还缺乏有效的解决途径。为了解决上述问题,本文立足于城市轨道交通建设安全管理（URTCSM）,从知识支持的角度,引入人工智能领域相关技术和方法,研究基于知识图谱的安全管理智能知识支持理论模型和方法体系。具体内容包括:以系统论为指导,分析城市轨道交通建设安全管理核心任务和管理流程,提出智能知识支持的概念和内涵,研究人工智能领域的知识图谱等技术对城市轨道交通建设安全管理的知识支持作用,构建基于知识图谱的城市轨道交通建设安全管理智能知识支持理论模型。对URTCSM领域知识范围进行界定,从过程、组织、对象、管理等维度对领域知识进行分解,形成多维分层的知识分类体系。在领域概念建模方面,基于领域知识体系结构内容和特点,构建多维分层的专业领域概念模型;根据标准规范自身结构和使用需求,构建混合粒度的标准规范概念模型;根据事故分析对事故知识的需求,构建多主体关联的事故概念模型。在实体关系建模方面,基于领域知识分类体系结构进行概念之间层级关系建模,并对影响城市轨道交通建设工程安全实施的核心要素之间的关系进行建模,形成URTCSM领域知识结构模式,为领域知识图谱的构建提供规范化的知识框架。分析了URTCSM领域知识主要来源,重点对标准规范和事故案例数据进行搜集和整理。在领域实体知识元抽取方面,根据数据结构化程度以及自然语言描述特点,对不同类型实体知识元的抽取分别采用人工抽取、基于映射关系的转化、基于规则的提取、基于深度学习的实体识别等方法。在关系知识元抽取方面,分别采用基于映射关系的转化、基于规则的关系抽取、基于实体共现的关系抽取、基于机器学习的关系抽取等方法。在实体属性识别过程中采用类似的知识元抽取方法。抽取出来的知识元需要与已有知识进行融合,通过分析不同情形下知识融合需求,提出相应的融合方法。知识图谱中各类实体和关系知识元最后以图结构的形式存入图数据库Neo4j中,形成URTCSM领域知识图谱。提出URTCSM智能知识支持实现框架。针对标准规范知识,提出混合粒度规范知识获取的三种方式:知识导航,智能搜索,知识推荐。针对安全事故知识的应用主要以支持安全知识智能分析为主,提出三类事故分析任务:以事故画像的形式全面可视化的展示事故认知结构,根据统计分析指标自动构建查询语句的事故统计分析,以及基于关联路径的事故深度分析。根据URTCSM领域知识图谱中各知识要素之间的联系,对不同管理情境下的安全风险进行分析,为安全风险识别与预防提供知识支持。最后,开发了基于URTCSM领域知识图谱的智能知识支持系统,用于领域知识图谱维护和管理、标准规范知识智能获取、安全事故智能分析、安全管理决策分析等,为安全管理决策提供智能知识支持平台。该论文有图107幅,表23个,参考文献209篇。
乔波[7]（2019）在《基于农业叙词表的知识图谱构建技术研究》文中研究说明自从2012年Google推出知识图谱以提高其搜索质量以来,知识图谱作为人工智能的重要核心技术得到了迅速发展。知识图谱能够有效地提高搜索引擎的搜索质量和问答系统的准确率,已被广泛应用于智能搜索、智能问答、个性化推荐等领域。目前,国内外许多学者都在研究领域知识图谱的构建工作并取得了一定的研究成果。构建知识图谱主要包括知识体系构建、知识获取、知识融合、知识存储、知识推理和知识应用等几大步骤。本文以构建农业知识图谱为研究目标,利用《农业科学叙词表》、循环神经网络模型、条件随机场模型、集成学习、实体关系联合抽取模型、BERT模型等理论和方法,开展了农业知识图谱的模式构建和知识获取研究。论文的主要研究工作总结如下:（1）基于叙词表的农业知识图谱构建方法研究。目前大多数知识图谱构建都是基于维基百科、百度百科等公共资源,抽取概念本体、实体及关系,针对这些公共资源中农业领域知识缺少的问题,提出了一种基于叙词表的农业知识图谱构建方法。研究了叙词表到知识图谱模式层的自动转换规则,以及叙词表到知识图谱数据层的自动构建规则,完成了从《农业科学叙词表》到农业知识图谱的自动构建,最终实现了一个初步的农业知识图谱,该图谱具有6万多个农业叙词实体,以及21万多条由叙词实体、关系组成的三元组。研究结果表明,基于叙词表构建农业知识图谱的方法具有可行性和可靠性。该方法为农业知识图谱的构建提供了一条新思路,也为农业知识图谱的扩展奠定了高质量的数据基础。（2）基于集成学习的农业实体识别模型研究。目前实体识别模型都使用句子截断方式构建模型输入,针对这种方式会丢失句子与句子之间上下文信息的问题,提出了一种基于集成学习的农业实体识别模型ELER。为了训练ELER模型,构建了农业实体识别数据集AgriNER2018,该数据集标注了“沉积物”、“成土过程”、“土层”3种类型的实体,分为训练集和测试集2部分。训练集包含1528个句子,71736个字符,1229个实体。测试集包含231个句子,10242个字符,127个实体。与BILSTM-CRF模型相比,ELER模型在农业数据集AgriNER2018上精确度提高了2.32%,F1值提高了2.92%,在CoNLL2003标准数据集上精确度提高了1.37%,F1值提高了0.7%。结果表明,ELER模型能够有效提高实体识别的结果,且在AgriNER2018上提升更加明显,说明该模型在数据集欠缺的农业特定领域可以进行应用。（3）基于BERT预训练的农业实体关系联合抽取模型研究。目前实体关系联合抽取模型都使用Word2vec模型来训练词向量,针对Word2vec模型不能对多义词建模的问题,提出了一种基于BERT预训练的农业实体关系联合抽取模型BERT-BILSTM-LSTM。为了训练这个模型,构建了农业实体关系抽取数据集AgriRelation2018,该数据集标注了“水果”、“地理位置”2种实体类型和它们之间的“产地”关系,分为训练集和测试集2部分。训练集包含1348个句子,1161个关系实体三元组。测试集包含187个句子,133个关系实体三元组。与LSTM-LSTM-Bias模型相比,BERT-BILSTM-LSTM模型在农业数据集AgriRelation2018上F1值提高了2.8%,在NYT标准数据集上F1值提高了3.3%。结果表明,该模型克服了不能对多义词建模的缺陷,能够基本满足农业领域关系抽取的要求。（4）农业知识图谱构建与应用系统的设计与实现。综合应用上述研究成果,构建了农业知识图谱构建与应用系统,实现了叙词查询、实体识别、关系抽取、实体查询和关系查询等功能。系统的运行验证了上述研究方法、模型和算法的有效性。
张姗姗[8]（2019）在《分阶段反馈教学法的实施及效果评价 ——以石河子某中学《信息技术》课程为例》文中研究指明《信息技术》课程对高中学生综合素质的提升起着至关重要的作用。由于升学压力的存在,通过加大课时量提高该课程教学效果的方法并不可行。如何在保持现有课时量的同时,尽可能地提高教学效果是一个急需解决的问题。斯金纳程序教学理论和桑代克练习律均认为在学习过程中按照一定的步骤开展练习,根据练习情况进行及时的反馈和强化,能够促使学生巩固所学知识,并培养学生的学习积极性。根据上述理论,及时通过测试掌握学生的学习情况并对易错知识点进行强化教学显现出必要性。由于批改并分析测试试卷需要耗费的巨大工作量和师资短缺现实的情况之间存在矛盾,石河子某中学在过往的教学中,通常采用综合反馈教学法完成教学时间为2个学期的《信息技术》课程教学任务,该方法仅在第2学期开学初进行一次综合测验,通过综合测验反馈的情况,在第2学期学习新课程的同时复习第1学期的易错知识点,达到提升教学效果,提高学生该课程学业水平考试成绩的目的。现代教育技术的发展,特别是网上阅卷及试卷分析系统的投入使用,为分阶段反馈教学法的实施提供了技术上的解决方案。该方法的特征在于,将一段时间的教学任务细分为若干阶段,在每阶段结束时进行阶段测试,通过阶段测试整理出该阶段的易错知识点,在此基础上通过反馈教学集中讲解易错知识点,并在下一阶段的测试中加入对上一阶段易错知识点的考核。本文将分阶段反馈教学法运用于石河子某中学2018级卓越班、自强班和平行班3类学生第1学期《信息技术》课程的教学实践中。通过易错知识点的得分的变化情况、调查问卷及综合测试的得分情况评价该方法的教学效果。对卓越班、自强班和平行班的研究结果均表明:（1）分阶段反馈教学法加深了学生对易错知识点的掌握程度;（2）学生对分阶段反馈教学法持正面评价;（3）与综合反馈教学法相比,分阶段教学法提高了学生的学习成绩。由此可知,将分阶段教学法运用于高中《信息技术》课程教学,在不增加课时量的同时,提升了教学效果,具有推广价值。
周威[9]（2019）在《融合因果事件的知识图谱构建及其应用研究》文中指出知识图谱以网络化的方式将互联网上海量的知识资源整合起来,构成一张巨大的语义网络,提供了一种更好地组织和利用信息的能力,已经发展成为大数据时代的基础设施。随着信息抽取技术的发展和实际应用的需要,人们开始从非结构化的文本中挖掘事件知识。事件知识是一种重要的决策依据,在我们身边,每天都会发生各种事件,这些事件通常不是孤立存在的,往往存在着某种语义上的因果逻辑。事件之间的因果逻辑是一种十分有价值的知识,将因果事件知识作为知识图谱的补充,可以进一步丰富和完善知识图谱,从而让知识图谱在实际应用中发挥更大的价值。本文以金融领域为例,首先基于半结构化的数据构建初步的金融知识图谱,然后从非结构化的金融新闻中抽取因果事件知识,并将其融合到金融知识图谱中,进一步丰富和完善了金融知识图谱,从而用于基于知识图谱的分析与决策等应用场景中。本文主要完成了以下工作:提出了金融知识图谱的构建框架;在详细调研和分析金融领域的概念和知识的基础上,将金融领域重要的概念和类抽象出来,并且详细的定义了实体的属性和值域,完成了金融本体库的构建;同时,针对D2R工具将关系数据库映射为RDF图的过程中会出现冗余信息的问题,本文提出了一种数据表设计原则,将实体和实体关系分开建数据表存储,很好的解决了这个问题;然后使用D2R工具完成了知识抽取;最后将知识图谱存储在Neo4j图数据库中,实现了初步的金融知识图谱的构建。采用序列标注方法,将因果事件抽取任务转化为序列标注任务,实现了从非结构化的金融新闻中抽取因果事件。实验对比了三种不同序列标注模型,发现基于BiLSTM+CRF模型具有最好的性能,在测试集上的F1达到了79%。然后利用该模型从新闻中共抽取了5278个因果事件对,将因果事件对中的“原因事件”和“结果事件”分别当作实体,构造出<原因事件,因果关系,结果事件>三元组,接下来通过向量空间模型来计算事件之间的相似度,从而构建<事件,相似关系,事件>的三元组;最后,将事件作为实体、事件与事件的因果关系、事件与事件的相似关系以及事件和与事件相关联的实体连接为关联关系加入到知识图谱中,从而进一步丰富和完善知识图谱的知识。基于最终构建好的金融知识图谱,结合“长春长生疫苗事件”和“智利地震事件”两个实例,分析了知识图谱在金融风险控制和辅助决策分析等应用场景下的应用,并分析了知识图谱在这些应用场景下的优势和价值。
刘鹏[10]（2014）在《基于数字校园的可自动填写表单生成器的设计与实现》文中研究说明近年来，“数字校园”的主要工作已经从硬件设施的建设逐步转化为系统软件应用的开发，如何通过软件应用为用户提供更加方便、快捷、有效的服务是该领域研究的重点。表单一直是学校获取信息的重要途径，随着我国教育改革的不断深入，高校师生数量、教育资源与教育活动规模不断扩大，信息采集的需求使表单在数量与内容上都有显着的增加，快速获取信息的要求愈加急迫，传统校园的表单制作、分发、获取与提交方式已经难以满足高校当前的业务需求。“数字校园”中现有的几种解决方案无论是在便捷、易用性、效率上都无法让用户满意。本项目借鉴了企业数据管理中SolidWord Enterprice PDM与Word联合使用构建可自动填写表单生成器的方案，旨在提出适用于校园环境的解决方案。本方案采用Word与Web相结合的方式，通过分析Word表单的元数据与Web表单之间的关系，构建一种满足不同浏览模式下表单信息自动转化的数据结构，并通过VBA与JSP进行功能开发以实现表单的相互转化。数据表中的字段命名采用了教育部提供的数据格式标准，这使系统可以与学校的数据资源实现数据的共享，避免了系统陷入“信息孤岛”的状况。本系统的投入使用填补了“数字校园”表单应用方面的不足，为学校教职工与师生提供了更加便捷的服务，提高了学校各部门的办公效率，同时系统的可移植性使其具有良好的借鉴作用。
二、在WORD2000中自动填充卡片（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、在WORD2000中自动填充卡片（论文提纲范文）
（1）公路桥梁定期检查评定系统研究与开发（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 桥梁管理系统的发展概况 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 本文研究的主要工作 |
| 1.3.1 研究内容 |
| 1.3.2 技术流程图 |
| 1.4 论文章节安排 |
| 第二章 桥梁定期检查内容与技术状况评定方法 |
| 2.1 桥梁定期检查内容 |
| 2.1.1 梁桥定期检查概述 |
| 2.1.2 桥梁定期检查工作流程 |
| 2.1.3 定期检查内容 |
| 2.2 桥梁技术状况评定方法 |
| 2.2.1 桥梁技术状况等级评定标准 |
| 2.2.2 桥梁各部件评定权重 |
| 2.2.3 基于规范的变权分析 |
| 2.2.4 桥梁技术状况评分计算方法 |
| 2.3 本章小结 |
| 第三章 系统数据库设计 |
| 3.1 数据库选型 |
| 3.1.1 数据库需求分析 |
| 3.1.2 数据库的选择 |
| 3.2 数据库访问技术 |
| 3.3 系统数据库结构设计 |
| 3.3.1 数据库总体结构 |
| 3.3.2 概念结构设计 |
| 3.3.3 表结构设计 |
| 3.4 本章小结 |
| 第四章 桥梁检查报告自动生成技术 |
| 4.1 概述 |
| 4.2 Word二次开发技术 |
| 4.2.1 Word对象模型与文档操作 |
| 4.2.2 书签定位技术 |
| 4.2.3 文本设置 |
| 4.2.4 Word表格自动生成技术 |
| 4.2.5 病害统计图自动生成技术 |
| 4.2.6 图片插入与自动编排技术 |
| 4.3 桥梁定期检查报告模板设计与定制 |
| 4.4 报告自动生成技术实现 |
| 4.4.1 报告自动生成流程 |
| 4.4.2 桥梁概述自动生成 |
| 4.4.3 桥梁病害情况自动统计分析 |
| 4.4.4 桥梁技术状况评定结果自动生成 |
| 4.5 本章小结 |
| 第五章 系统设计与功能实现 |
| 5.1 系统的总体设计 |
| 5.1.1 系统设计原则 |
| 5.1.2 系统运行环境 |
| 5.1.3 系统需求分析 |
| 5.1.4 系统总体框架 |
| 5.2 系统功能实现 |
| 5.2.1 桥梁信息管理 |
| 5.2.2 病害记录统计与分析 |
| 5.2.3 桥梁技术状况评定 |
| 5.2.4 桥梁定期检查报告自动化输出 |
| 5.3 本章小结 |
| 第六章 工程实例验证 |
| 6.1 工程实例概况 |
| 6.2 桥梁定期检查系统验证 |
| 6.2.1 桥梁基本信息添加 |
| 6.2.2 定期检查数据管理 |
| 6.2.3 技术状况评定 |
| 6.2.4 生成桥梁检测报告 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间的研究成果及发表的论文 |
（2）基于深度学习的图像生成诗歌方法与系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 文献综述 |
| 1.2.1 诗歌生成研究现状 |
| 1.2.2 图像生成诗歌研究现状 |
| 1.2.3 诗歌生成系统研究现状 |
| 1.3 本文的主要工作与创新 |
| 1.4 论文的结构安排 |
| 第2章 相关理论介绍 |
| 2.1 神经网络 |
| 2.1.1 神经元结构 |
| 2.1.2 多层感知机模型 |
| 2.1.3 反向传播算法 |
| 2.1.4 激活函数 |
| 2.2 文本表示 |
| 2.2.1 离散表示法 |
| 2.2.2 分布表示法 |
| 2.2.3 动态表示法 |
| 2.3 文本生成模型 |
| 2.3.1 基于循环神经网络的文本模型 |
| 2.3.2 基于序列到序列的文本模型 |
| 2.3.3 基于注意力机制的文本模型 |
| 第3章 基于深度学习的图像生成诗歌方法 |
| 3.1 引言 |
| 3.2 模型整体架构 |
| 3.3 图像具体信息融合算法 |
| 3.3.1 信息抽取 |
| 3.3.2 信息融合 |
| 3.3.3 使用非平行数据的训练方法 |
| 3.4 图像抽象信息融合算法 |
| 3.4.1 信息抽取 |
| 3.4.2 信息融合 |
| 3.4.3 使用非平行数据的训练方法 |
| 第4章 实验与结果分析 |
| 4.1 引言 |
| 4.2 数据集 |
| 4.3 训练细节 |
| 4.4 对比模型及评价指标 |
| 4.4.1 对比模型 |
| 4.4.2 变体模型 |
| 4.4.3 评价指标 |
| 4.5 评价结果 |
| 4.5.1 机器评价结果 |
| 4.5.2 人工评价结果 |
| 4.6 结果示例 |
| 第5章 基于深度学习的诗歌生成系统 |
| 5.1 引言 |
| 5.2 系统架构 |
| 5.3 系统功能 |
| 5.3.1 一键作诗 |
| 5.3.2 辅助作诗 |
| 5.3.3 其他功能 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（3）面向知识图谱的学习算法研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究难点与挑战 |
| 1.2.1 实体关系抽取 |
| 1.2.2 概念上下位关系识别 |
| 1.2.3 基于时序知识图谱的表示学习 |
| 1.2.4 基于新闻文本语料的概念知识图谱构建 |
| 1.3 本文研究内容与贡献 |
| 1.4 本文组织结构 |
| 第二章 开放域实体关系抽取方法研究 |
| 2.1 引言 |
| 2.2 预备知识 |
| 2.2.1 依存句法树 |
| 2.2.2 最短依存路径 |
| 2.2.3 开放关系抽取的任务定义 |
| 2.3 相关工作 |
| 2.3.1 基于无监督学习的抽取方法 |
| 2.3.2 基于深度学习的抽取方法 |
| 2.4 基于句法分析的开放关系抽取方法 |
| 2.4.1 生成依存句法树 |
| 2.4.2 候选三元组抽取 |
| 2.4.3 实体关系强度度量 |
| 2.5 实验与分析 |
| 2.5.1 数据集 |
| 2.5.2 对比方法 |
| 2.5.3 评估指标 |
| 2.5.4 实验结果 |
| 2.6 本章小结 |
| 第三章 概念上下位关系识别方法研究 |
| 3.1 引言 |
| 3.2 任务定义 |
| 3.3 相关工作 |
| 3.3.1 基于语言模式的匹配方法 |
| 3.3.2 基于分布式表示的识别方法 |
| 3.4 概念定义驱动的上下位关系识别方法 |
| 3.4.1 语句输入层 |
| 3.4.2 语句编码层 |
| 3.4.3 交互层 |
| 3.4.4 上下位关系分类层 |
| 3.5 实验与分析 |
| 3.5.1 数据集构建 |
| 3.5.2 对比方法 |
| 3.5.3 评估指标 |
| 3.5.4 实现细节 |
| 3.5.5 实验结果 |
| 3.6 本章小结 |
| 第四章 时序知识图谱补全方法研究 |
| 4.1 引言 |
| 4.2 预备知识 |
| 4.2.1 静态知识图谱 |
| 4.2.2 时序知识图谱 |
| 4.2.3 时序知识图谱补全的任务定义 |
| 4.3 相关工作 |
| 4.3.1 基于静态知识图谱的表示学习模型 |
| 4.3.2 基于时序知识图谱的表示学习模型 |
| 4.4 基于两阶段框架的时序知识图谱补全方法 |
| 4.4.1 阶段一:时序演化增强的表示学习模型 |
| 4.4.2 阶段二:精细分析模型 |
| 4.5 实验与分析 |
| 4.5.1 数据集 |
| 4.5.2 对比方法 |
| 4.5.3 评估指标 |
| 4.5.4 实现细节 |
| 4.5.5 实验结果 |
| 4.6 本章小结 |
| 第五章 基于新闻数据的概念知识图谱构建方法研究 |
| 5.1 引言 |
| 5.2 任务定义 |
| 5.3 相关工作 |
| 5.3.1 新闻表示 |
| 5.3.2 主题检测与追踪 |
| 5.3.3 开放域关系抽取 |
| 5.3.4 抽取式文档摘要 |
| 5.3.5 基于多文档的语义挖掘系统 |
| 5.4 概念知识图谱构建模型 |
| 5.4.1 数据预处理 |
| 5.4.2 候选关系实例抽取 |
| 5.4.3 主题一致性估计 |
| 5.4.4 关系实例兼容性度量 |
| 5.4.5 生成概念知识图谱 |
| 5.5 实验与分析 |
| 5.5.1 数据集 |
| 5.5.2 实验准备工作 |
| 5.5.3 实验结果分析 |
| 5.6 系统概况 |
| 5.7 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间取得的成果 |
（4）高速铁路安全文本大数据分析方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 高速铁路安全文本特征及价值分析 |
| 1.2.1 高速铁路安全文本特征分析 |
| 1.2.2 高速铁路安全文本价值分析 |
| 1.3 国内外研究现状 |
| 1.3.1 文本大数据分析研究现状 |
| 1.3.2 铁路安全文本数据分析研究现状 |
| 1.4 主要研究内容与技术路线 |
| 1.4.1 主要研究内容 |
| 1.4.2 技术路线 |
| 1.5 组织结构 |
| 1.6 本章小结 |
| 2 高速铁路安全文本大数据分析理论基础 |
| 2.1 文本大数据分析 |
| 2.2 知识图谱构建理论 |
| 2.2.1 知识图谱 |
| 2.2.2 文本分类 |
| 2.2.3 命名实体识别 |
| 2.2.4 实体关系抽取 |
| 2.2.5 实体对齐 |
| 2.3 高速铁路安全知识图谱构建与应用架构 |
| 2.3.1 高速铁路安全知识图谱构建方法 |
| 2.3.2 高速铁路安全知识图谱应用功能 |
| 2.4 高速铁路安全文本分析核心方法 |
| 2.5 本章小结 |
| 3 基于深度学习集成的高速铁路设备故障分类方法 |
| 3.1 基于深度学习集成的设备故障分类模型 |
| 3.1.1 基于ADASYN的少类别样本生成 |
| 3.1.2 基于铁路专业词库的中文分词方法 |
| 3.1.3 高速铁路设备故障文本特征表示 |
| 3.1.4 深度学习集成的故障分类模型 |
| 3.2 高速铁路信号道岔设备故障数据分析 |
| 3.2.1 信号道岔设备故障数据 |
| 3.2.2 信号道岔故障数据的不平衡性 |
| 3.3 实验验证与结果分析 |
| 3.3.1 文本分类性能评估 |
| 3.3.2 道岔设备故障少类别样本生成实验 |
| 3.3.3 基于深度学习集成故障分类模型实验分析 |
| 3.3.4 实验总结 |
| 3.4 本章小结 |
| 4 高速铁路设备故障命名实体与实体关系抽取方法 |
| 4.1 设备故障命名实体与关系抽取模型总体框架 |
| 4.2 高速铁路设备故障命名实体与实体关系定义 |
| 4.3 高速铁路设备故障命名实体与实体关系标注 |
| 4.4 高速铁路设备故障命名实体与实体关系特征表示 |
| 4.4.1 基于多维字符特征的命名实体特征表示 |
| 4.4.2 基于多维分词表示的实体关系特征表示 |
| 4.5 高速铁路设备故障命名实体与实体关系抽取模型 |
| 4.5.1 基于BiLSTM+CRF的设备故障命名实体识别 |
| 4.5.2 基于Transformer的设备故障实体关系抽取 |
| 4.6 实验验证与结果分析 |
| 4.6.1 基于多维字符特征表示的BiLSTM+CRF命名实体识别模型验证 |
| 4.6.2 基于多维分词表示的Transformer关系抽取模型验证 |
| 4.6.3 实体和关系联合抽取模型实验分析 |
| 4.6.4 实验总结 |
| 4.7 本章小结 |
| 5 基于概念相似度的高速铁路设备故障实体对齐方法 |
| 5.1 概念相似度计算原理 |
| 5.1.1 未登录词处理过程 |
| 5.1.2 概念相似度计算过程 |
| 5.2 基于概念相似度计算的设备故障命名实体对齐 |
| 5.2.1 设备故障实体词汇抽取过程 |
| 5.2.2 设备故障实体概念相似度计算过程 |
| 5.2.3 设备故障实体对齐过程 |
| 5.3 实验结果 |
| 5.4 高速铁路设备故障知识图谱维护与更新 |
| 5.4.1 设备故障知识图谱维护 |
| 5.4.2 设备故障知识图谱更新 |
| 5.5 本章小结 |
| 6 高速铁路安全文本大数据平台设计与实现 |
| 6.1 高速铁路安全文本大数据平台总体设计 |
| 6.1.1 高速铁路安全文本大数据平台总体架构 |
| 6.1.2 高速铁路安全文本大数据平台技术架构 |
| 6.1.3 高速铁路安全文本大数据平台功能架构 |
| 6.2 高速铁路安全文本分析业务流程设计 |
| 6.3 高速铁路安全文本分析模型交互设计 |
| 6.3.1 动态交互标注模型设计 |
| 6.3.2 模型推荐设计 |
| 6.4 高速铁路安全文本大数据平台功能展示 |
| 6.4.1 样本标注任务创建与管理 |
| 6.4.2 样本数据标注 |
| 6.4.3 文本分析模型管理 |
| 6.4.4 文本分析模型应用 |
| 6.4.5 文本分析模型API管理 |
| 6.5 高速铁路信号设备故障文本分析应用案例 |
| 6.5.1 高速铁路信号故障数据特征分析 |
| 6.5.2 高速铁路信号设备故障知识图谱构建与应用 |
| 6.5.3 高速铁路信号设备故障文本分析实现 |
| 6.5.4 高速铁路信号设备故障知识图谱展示 |
| 6.6 本章小结 |
| 7 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 参考文献 |
| 索引 |
| 作者简历及科研成果 |
| 学位论文数据集 |
（5）基于知识图谱的心血管病问答系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 知识图谱及知识抽取技术的国内外研究现状 |
| 1.2.1 知识图谱的研究现状 |
| 1.2.2 知识抽取技术的研究现状 |
| 1.3 问答系统及语义解析技术的国内外研究现状 |
| 1.3.1 问答系统的研究现状 |
| 1.3.2 基于深度学习的语义解析技术研究现状 |
| 1.4 本文研究内容与组织架构 |
| 1.4.1 本文主要研究内容 |
| 1.4.2 本文组织架构 |
| 1.5 本章小结 |
| 第二章 相关概念及技术 |
| 2.1 知识图谱概述 |
| 2.1.1 知识图谱概念 |
| 2.1.2 知识图谱构建 |
| 2.1.3 知识图谱表示及存储 |
| 2.2 基于深度学习的语义解析技术 |
| 2.3 自然语言处理技术 |
| 2.3.1 命名实体识别 |
| 2.3.2 关系抽取 |
| 2.4 本章小结 |
| 第三章 基于标注策略与双对抗迁移学习的知识抽取 |
| 3.1 引言 |
| 3.2 标注策略的问题与改进 |
| 3.2.1 标注策略问题分析 |
| 3.2.2 标注策略的改进 |
| 3.3 基于对抗训练的联合抽取模型 |
| 3.3.1 字符向量层 |
| 3.3.2 双向长短时记忆网络 |
| 3.3.3 自注意力机制 |
| 3.3.4 NER解码层-CRF |
| 3.3.5 联合解码层-LSTM_Bias |
| 3.3.6 基于对抗样本的对抗训练 |
| 3.4 联合抽取模型的问题与改进 |
| 3.5 基于双对抗迁移学习的联合抽取模型 |
| 3.5.1 基于任务对抗判别器的迁移学习 |
| 3.5.2 模型训练过程 |
| 3.5.3 模型损失函数 |
| 3.6 实验与分析 |
| 3.6.1 实验数据 |
| 3.6.2 实验设置 |
| 3.6.3 评价指标 |
| 3.6.4 性能对比 |
| 3.7 本章小结 |
| 第四章 心血管病知识图谱的构建 |
| 4.1 引言 |
| 4.2 基于包装器的知识抽取 |
| 4.2.1 网页结构分析 |
| 4.2.2 网页知识抽取 |
| 4.3 知识融合 |
| 4.3.1 知识合并 |
| 4.3.2 实体对齐 |
| 4.4 知识存储 |
| 4.4.1 知识图谱实体关系设计 |
| 4.4.2 基于Neo4j的关系类知识存储 |
| 4.4.3 基于Mysql的属性类知识存储 |
| 4.5 本章小结 |
| 第五章 基于主动学习与BERT的语义解析 |
| 5.1 引言 |
| 5.2 词嵌入的问题与解决方案 |
| 5.2.1 词嵌入的问题分析 |
| 5.2.2 基于BERT的字符嵌入 |
| 5.3 训练方式的问题与解决方案 |
| 5.3.1 训练方式的问题分析 |
| 5.3.2 基于主动学习的训练方式 |
| 5.4 基于主动学习与BBRC的实体识别模型 |
| 5.5 基于搜索引擎的在线实体链接 |
| 5.6 基于BERT的关系/属性映射 |
| 5.7 实验与分析 |
| 5.7.1 实验数据 |
| 5.7.2 实验设置 |
| 5.7.3 问句实体识别实验结果与分析 |
| 5.7.4 问句分类实验结果与分析 |
| 5.8 本章小结 |
| 第六章 系统设计与功能展示 |
| 6.1 引言 |
| 6.2 系统整体技术架构 |
| 6.3 系统后端实现 |
| 6.3.1 百科服务模块 |
| 6.3.2 问答服务模块 |
| 6.4 系统前端实现 |
| 6.4.1 基于Vue.js框架的Web设计 |
| 6.4.2 D3可视化 |
| 6.5 系统功能展示与分析 |
| 6.5.1 疾病百科功能测试与分析 |
| 6.5.2 疾病问答功能测试与分析 |
| 6.6 本章小结 |
| 总结与展望 |
| 本文工作总结 |
| 未来工作展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
| 附件 |
（6）基于知识图谱的城市轨道交通建设安全管理智能知识支持研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 文献综述 |
| 1.4 研究思路和方法 |
| 1.5 研究内容 |
| 1.6 本章小结 |
| 2 基于知识图谱的URTCSM智能知识支持理论模型 |
| 2.1 城市轨道交通建设安全管理系统分析 |
| 2.2 URTCSM智能知识支持概念框架 |
| 2.3 知识图谱对URTCSM智能知识支持作用分析 |
| 2.4 基于知识图谱的URTCSM智能知识支持理论模型 |
| 2.5 本章小结 |
| 3 基于多维关联混合粒度的URTCSM领域知识结构模式研究 |
| 3.1 多维关联混合粒度知识建模需求分析 |
| 3.2 URTCSM领域知识分类体系分析 |
| 3.3 URTCSM领域概念模式分析 |
| 3.4 URTCSM领域关系模式分析 |
| 3.5 多维关联混合粒度的URTCSM领域知识结构模式 |
| 3.6 本章小结 |
| 4 URTCSM领域知识图谱知识元抽取方法研究 |
| 4.1 URTCSM领域相关数据源分析 |
| 4.2 URTCSM领域实体知识元抽取方法研究 |
| 4.3 URTCSM领域关系知识元抽取方法研究 |
| 4.4 URTCSM领域属性知识元识别 |
| 4.5 URTCSM领域知识融合 |
| 4.6 URTCSM领域知识存储 |
| 4.7 本章小结 |
| 5 基于URTCSM领域知识图谱的智能知识支持研究 |
| 5.1 URTCSM智能知识支持实现框架分析 |
| 5.2 混合粒度规范知识获取 |
| 5.3 安全事故智能分析 |
| 5.4 安全管理智能决策支持 |
| 5.5 基于URTCSM领域知识图谱的智能知识支持系统 |
| 5.6 本章小结 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 研究局限性 |
| 6.4 研究展望 |
| 参考文献 |
| 附录 |
| 作者简历 |
| 学位论文数据集 |
（7）基于农业叙词表的知识图谱构建技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱研究进展 |
| 1.2.2 基于叙词表的本体构建方法研究进展 |
| 1.2.3 命名实体识别方法研究进展 |
| 1.2.4 关系抽取方法研究进展 |
| 1.3 研究内容 |
| 1.4 研究方法与技术路线 |
| 1.5 论文组织结构 |
| 第2章 基于叙词表的农业知识图谱构建方法 |
| 2.1 引言 |
| 2.2 农业知识图谱的理论基础 |
| 2.2.1 农业科学叙词表 |
| 2.2.2 知识表示 |
| 2.2.3 知识存储和查询 |
| 2.3 基于叙词表的农业知识图谱构建 |
| 2.3.1 叙词表到农业知识图谱模式层的转换 |
| 2.3.2 叙词表到农业知识图谱数据层的构建 |
| 2.3.3 农业知识图谱三元组的描述 |
| 2.3.4 农业知识图谱语义 |
| 2.4 基于叙词表的农业知识图谱存储与查询 |
| 2.5 本章小结 |
| 第3章 基于集成学习的农业实体识别模型 |
| 3.1 引言 |
| 3.2 实体识别模型的理论基础 |
| 3.2.1 神经元模型 |
| 3.2.2 多层神经网络与反向传播 |
| 3.2.3 循环神经网络 |
| 3.2.4 长短期记忆序列模型 |
| 3.2.5 条件随机场 |
| 3.3 基于BILSTM-CRF模型的农业实体识别 |
| 3.3.1 BILSTM-CRF实体识别模型 |
| 3.3.2 构建农业实体识别数据集Agri NER2018 |
| 3.3.3 实验结果分析 |
| 3.4 一种改进的农业实体识别模型ELER |
| 3.4.1 集成学习 |
| 3.4.2 ELER模型 |
| 3.4.3 特征表示 |
| 3.4.4 目标函数 |
| 3.4.5 标签模式 |
| 3.4.6 网络模型设置 |
| 3.4.7 算法训练过程 |
| 3.5 实验设置 |
| 3.5.1 实验数据 |
| 3.5.2 数据预处理 |
| 3.5.3 实验环境 |
| 3.6 实验分析 |
| 3.6.1 评价指标 |
| 3.6.2 Agri NER2018数据集上的实验结果 |
| 3.6.3 Co NLL2003数据集上的实验结果 |
| 3.6.4 讨论 |
| 3.7 本章小结 |
| 第4章 基于BERT预训练的农业实体关系联合抽取模型 |
| 4.1 引言 |
| 4.2 联合抽取模型的理论基础 |
| 4.2.1 Encoder-Decoder模型 |
| 4.2.2 联合抽取模型LSTM-LSTM-Bias |
| 4.2.3 词的分布式表示 |
| 4.3 基于LSTM-LSTM-BIAS模型的农业实体关系抽取 |
| 4.3.1 构建农业实体关系抽取数据集Agri Relation2018 |
| 4.3.2 实验结果分析 |
| 4.4 一种改进的联合抽取模型BERT-BILSTM-LSTM |
| 4.4.1 BERT模型 |
| 4.4.2 联合抽取模型BERT-BILSTM-LSTM |
| 4.4.3 预训练 |
| 4.4.4 目标函数 |
| 4.4.5 标签模式 |
| 4.4.6 网络模型设置 |
| 4.4.7 算法训练过程 |
| 4.5 实验设置 |
| 4.5.1 实验数据 |
| 4.5.2 实验环境 |
| 4.6 实验分析 |
| 4.6.1 评价指标 |
| 4.6.2 Agri Relation2018数据集上的实验结果 |
| 4.6.3 NYT数据集上的实验结果 |
| 4.6.4 讨论 |
| 4.7 本章小结 |
| 第5章 农业知识图谱构建与应用系统设计与实现 |
| 5.1 系统逻辑架构 |
| 5.2 系统功能设计 |
| 5.3 基于叙词表的知识图谱实现 |
| 5.3.1 将叙词表的内容存储到My SQL数据库中 |
| 5.3.2 将数据库中的叙词转化为RDF文档 |
| 5.3.3 生成基于叙词表的农业知识图谱 |
| 5.3.4 数据结构设计 |
| 5.4 系统主要功能模块实现及可视化 |
| 5.4.1 农业科学叙词查询 |
| 5.4.2 实体类别标注 |
| 5.4.3 实体识别 |
| 5.4.4 关系抽取 |
| 5.4.5 查询实体 |
| 5.4.6 关系查询 |
| 5.4.7 农业知识问答 |
| 5.5 本章小结 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（8）分阶段反馈教学法的实施及效果评价 ——以石河子某中学《信息技术》课程为例（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 国内外研究综述 |
| 1.3 研究内容 |
| 1.4 研究目的 |
| 第二章 分阶段反馈教学法理论基础 |
| 2.1 桑代克的练习律 |
| 2.2 斯金纳的强化理论 |
| 2.3 程序教学论 |
| 2.4 理论基础在研究中的应用 |
| 2.5 本章小结 |
| 第三章 分阶段反馈教学法研究设计 |
| 3.1 研究思路 |
| 3.2 研究方法 |
| 3.3 研究对象 |
| 3.4 研究创新点 |
| 3.5 研究工具 |
| 3.6 教学实施过程比较 |
| 3.7 本章小结 |
| 第四章 分阶段反馈教学法实施过程 |
| 4.1 阶段测试1实施及反馈 |
| 4.2 阶段测试2实施及反馈 |
| 4.3 阶段测试3实施及反馈 |
| 4.4 综合测试实施与反馈 |
| 4.5 本章小结 |
| 第五章 分阶段反馈训练教学效果评价 |
| 5.1 分阶段反馈教学效果评价方法 |
| 5.2 结果与分析 |
| 5.3 对策和建议 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究结论 |
| 6.2 研究的不足和可以改进之处 |
| 6.3 展望 |
| 参考文献 |
| 附录 |
| 致谢 |
| 作者简介 |
| 附件 |
（9）融合因果事件的知识图谱构建及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 选题背景和研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱研究现状 |
| 1.2.2 因果事件关系识别研究现状 |
| 1.3 研究内容 |
| 1.4 章节安排 |
| 第二章 相关理论与技术 |
| 2.1 知识图谱构建技术 |
| 2.1.1 本体构建 |
| 2.1.2 知识抽取 |
| 2.1.3 知识表示 |
| 2.1.4 知识存储 |
| 2.2 循环神经网络 |
| 2.2.1 RNN网络模型 |
| 2.2.2 长短时记忆网络 |
| 2.2.3 双向LSTM网络 |
| 2.3 因果事件关系识别 |
| 2.4 本章小结 |
| 第三章 金融知识图谱的设计与构建 |
| 3.1 引言 |
| 3.2 金融知识图谱框架设计 |
| 3.3 金融知识图谱本体构建 |
| 3.3.1 金融本体库的构建流程 |
| 3.3.2 金融本体库实现方法 |
| 3.4 金融知识图谱知识抽取技术 |
| 3.4.1 数据获取 |
| 3.4.2 基于关系数据库的知识抽取 |
| 3.5 金融知识图谱数据融合 |
| 3.6 金融知识图谱的存储与构建 |
| 3.6.1 关系数据库存储缺陷 |
| 3.6.2 基于Neo4j的知识图谱存储 |
| 3.7 本章小结 |
| 第四章 金融知识图谱融合因果事件研究 |
| 4.1 引言 |
| 4.2 因果事件抽取 |
| 4.3 因果事件语料库构建 |
| 4.3.1 数据来源 |
| 4.3.2 数据预处理 |
| 4.3.3 数据标注方法 |
| 4.3.4 数据标注与存储 |
| 4.4 因果事件抽取研究方案 |
| 4.4.1 基于条件随机场的因果事件抽取模型 |
| 4.4.2 基Bi-LSTM的因果事件抽取模型 |
| 4.4.3 基于Bi-LSTM+CRF的因果事件抽取模型 |
| 4.5 因果事件抽取实验结果与分析 |
| 4.5.1 数据集划分 |
| 4.5.2 评价指标 |
| 4.5.3 实验结果分析 |
| 4.6 事件表示和事件相似度计算 |
| 4.6.1 事件表示 |
| 4.6.2 向量空间模型 |
| 4.6.3 事件相似度计算 |
| 4.7 因果事件与金融知识图谱的融合 |
| 4.7.1 基于词典的命名实体提取 |
| 4.7.2 基于实体关联的融合方法 |
| 4.8 本章小结 |
| 第五章 金融知识图谱的应用实例 |
| 5.1 引言 |
| 5.2 基于知识图谱的金融风控应用实例 |
| 5.2.1 长春长生疫苗事件回顾 |
| 5.2.2 关联风险分析 |
| 5.2.3 启示 |
| 5.3 基于知识图谱的推理与辅助决策应用实例 |
| 5.3.1 智利地震多米诺骨牌效应分析 |
| 5.3.2 启示 |
| 5.4 本章小结 |
| 第六章 总结和展望 |
| 6.1 本文工作总结 |
| 6.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（10）基于数字校园的可自动填写表单生成器的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 目录 |
| 第一章 引言 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 1.4 研究意义 |
| 1.5 论文的组织结构 |
| 第二章 理论基础与相关技术分析 |
| 2.1 理论基础 |
| 2.1.1 数据共享 |
| 2.1.2 敏捷开发 |
| 2.2 相关技术分析 |
| 2.2.1 Mysql 数据库 |
| 2.2.2 Word 与 VBA |
| 2.2.3 数据交换格式 |
| 2.2.4 Jacob 插件 |
| 第三章 可自动填写表单生成器需求分析 |
| 3.1 主要研究的问题 |
| 3.2 可行性分析 |
| 3.2.1 技术可行性 |
| 3.2.2 经济可行性 |
| 3.3 “数字校园”整体需求 |
| 3.4 系统功能需求 |
| 3.4.1 制表用例分析 |
| 3.4.2 填表用例分析 |
| 3.5 非功能型需求 |
| 第四章 可自动填写表单生成器概要设计 |
| 4.1 制表模块 |
| 4.2 填表模块 |
| 4.3 数据库存储 |
| 第五章 可自动填写表单生成器详细设计 |
| 5.1 制表模块详细设计 |
| 5.1.1 用户登录模块 |
| 5.1.2 标记域模块 |
| 5.1.3 模板提交模块 |
| 5.1.4 选择填表人模块 |
| 5.1.5 删除模板模块 |
| 5.1.6 修改模板名模块 |
| 5.1.7 表单下载模块 |
| 5.2 填表模块详细设计 |
| 5.2.1 命令处理模块 |
| 5.2.2 页面数据处理模块 |
| 5.2.3 表单提交模块 |
| 5.2.4 表单下载模块 |
| 5.2.5 填表人选择模块 |
| 5.2.6 统一认证系统登录模块 |
| 5.2.7 表单生成模块 |
| 5.2.8 表单信息采集模块 |
| 第六章 系统实现 |
| 6.1 表单制作 |
| 6.1.1 用户登录窗口 |
| 6.1.2 表模板制作 |
| 6.1.3 制表员制表结果 |
| 6.1.4 模板管理 |
| 6.2 表单填写 |
| 6.2.1 用户登录页面 |
| 6.2.2 用户填表页面 |
| 第七章 系统测试 |
| 7.1 软件测试的指导原则 |
| 7.2 软件测试的方法与阶段 |
| 7.3 软件测试方案的提出 |
| 第八章 总结与展望 |
| 参考文献 |
| 致谢 |
四、在WORD2000中自动填充卡片（论文参考文献）
- [1]公路桥梁定期检查评定系统研究与开发[D]. 戴若星. 石家庄铁道大学, 2021
- [2]基于深度学习的图像生成诗歌方法与系统[D]. 刘雨森. 四川大学, 2021(02)
- [3]面向知识图谱的学习算法研究与应用[D]. 盛泳潘. 电子科技大学, 2020(01)
- [4]高速铁路安全文本大数据分析方法研究[D]. 李新琴. 中国铁道科学研究院, 2020
- [5]基于知识图谱的心血管病问答系统的研究与实现[D]. 康莉. 华南理工大学, 2020(02)
- [6]基于知识图谱的城市轨道交通建设安全管理智能知识支持研究[D]. 王莉. 中国矿业大学, 2019(04)
- [7]基于农业叙词表的知识图谱构建技术研究[D]. 乔波. 湖南农业大学, 2019
- [8]分阶段反馈教学法的实施及效果评价 ——以石河子某中学《信息技术》课程为例[D]. 张姗姗. 石河子大学, 2019(01)
- [9]融合因果事件的知识图谱构建及其应用研究[D]. 周威. 华东师范大学, 2019(09)
- [10]基于数字校园的可自动填写表单生成器的设计与实现[D]. 刘鹏. 东北师范大学, 2014(01)