知識森林：理論、方法與實踐

目錄
前言
第1章 引言 1
1.1 知識碎片化問題 1
1.2 現(xiàn)有知識組織模型 2
1.2.1 主題圖 2
1.2.2 知識圖譜 3
1.3 本書的組織結(jié)構(gòu) 5
第2章 知識森林模型 7
2.1 知識森林的形式化表示 7
2.2 知識森林的語義模型 9
2.3 知識森林的存儲模型 11
2.4 小結(jié) 13
第3章 主題分面樹生成 14
3.1 知識主題分面樹 14
3.1.1 知識主題與分面的概念 14
3.1.2 主題分面樹以及主題、分面間的聯(lián)系 15
3.2 主題分面聯(lián)合抽取 17
3.2.1 流水線式抽取的局限性 17
3.2.2 候選主題與分面抽取算法 19
3.2.3 主題分面聯(lián)合抽取算法 24
3.2.4 測試驗證 27
3.3 分面間上下位關(guān)系抽取 30
3.3.1 國內(nèi)外相關(guān)研究 30
3.3.2 與傳統(tǒng)上下位的區(qū)別和聯(lián)系 32
3.3.3 基于Motif的分面間上下位關(guān)系抽取算法 33
3.3.4 測試驗證 36
3.4 小結(jié) 37
第4章 學習依賴關(guān)系抽取 38
4.1 國內(nèi)外相關(guān)研究 38
4.2 學習依賴關(guān)系的特征分析 40
4.2.1 學習依賴關(guān)系的局部性 40
4.2.2 術(shù)語分布的非對稱性 41
4.3 拓撲與文本特征相結(jié)合的學習依賴關(guān)系挖掘 43
4.3.1 文本關(guān)聯(lián)挖掘 44
4.3.2 候選知識主題對生成 44
4.3.3 學習依賴關(guān)系判別 45
4.3.4 分布系數(shù)??的敏感性分析 46
4.4 端到端的學習依賴關(guān)系挖掘 47
4.4.1 文本中術(shù)語及關(guān)系抽取 49
4.4.2 學習依賴關(guān)系判別 51
4.4.3 測試驗證 52
4.5 小結(jié) 55
第5章 知識碎片向分面樹的映射 56
5.1 文本知識碎片的映射 56
5.1.1 問題與挑戰(zhàn) 56
5.1.2 國內(nèi)外相關(guān)研究 57
5.1.3 文本分割與分面映射聯(lián)合學習模型 61
5.1.4 測試驗證 66
5.2 圖像知識碎片的映射 70
5.2.1 國內(nèi)外相關(guān)研究 71
5.2.2 小樣本圖像知識碎片映射模型 72
5.2.3 測試驗證 77
5.2.4 未來示意圖映射的挑戰(zhàn) 79
5.3 小結(jié) 82
第6章 知識森林導學 83
6.1 學習路徑規(guī)劃 83
6.2 可對比知識主題生成 85
6.2.1 國內(nèi)外相關(guān)研究 86
6.2.2 可對比知識主題生成框架 87
6.2.3 可對比知識主題匹配算法 89
6.3 基于嵌入學習的知識碎片檢索 92
6.3.1 現(xiàn)有的知識碎片檢索方法 92
6.3.2 基于嵌入學習的知識碎片檢索方法 94
6.3.3 測試驗證 102
6.3.4 未來知識森林碎片檢索挑戰(zhàn) 104
6.4 知識碎片檢索的why-not問題 105
6.4.1 why-not問題概述 105
6.4.2 基于嵌入表示的why-not問題解釋模型 106
6.4.3 測試驗證 111
6.5 小結(jié) 114
第7章 知識森林可視化 116
7.1 概述 116
7.2 2D可視化 116
7.2.1 國內(nèi)外相關(guān)研究 116
7.2.2 主題分面樹繪制算法 122
7.2.3 認知關(guān)系布局算法 126
7.2.4 知識森林圓形布局交互方法 132
7.2.5 原型系統(tǒng)及用戶評測 139
7.3 AR交互場景可視化 142
7.3.1 整體框架 143
7.3.2 場景判別和課程判別方法 144
7.3.3 知識主題實時跟蹤方法 146
7.3.4 分面樹與沙盤的自動繪制算法 146
7.3.5 導航學習路徑推薦方法 150
7.3.6 ARKF系統(tǒng)使用場景展示 152
7.4 小結(jié) 156
參考文獻 157