一、为数据库系统添加小词典（论文文献综述）
童柔[1]（2021）在《基于在线医疗患者数据的医生推荐研究》文中进行了进一步梳理
茅倩[2]（2021）在《中文网络招聘语料的技能词识别与分析 ——基于IT类行业》文中研究说明
罗瑞菡[3]（2021）在《交通监控中基于边缘计算的车辆视频存储与检索技术》文中指出
于波[4]（2021）在《电磁频谱战知识图谱构建技术研究》文中研究表明
牟玮[5]（2021）在《动态本体的交互可视化系统研究》文中研究指明
李万亨[6]（2021）在《国家通用语言文字适应性学习系统设计研究 ——面向少数民族进城务工人员的移动学习应用》文中进行了进一步梳理
马凝[7]（2021）在《基于本体的圈闭评价知识抽取技术研究》文中进行了进一步梳理
刘园园[8]（2021）在《基于知识图谱的限定域问答系统关键技术研究与应用》文中指出问答系统是近年来自然语言处理、信息检索等领域研究的热点。相对于传统搜索引擎只能得到繁琐且模糊的信息,问答系统可以返回给用户更加精准的答案。知识图谱可以将碎片化的知识通过三元组的方式组织起来,建立数据间的联系,形成网络,更有利于信息的搜索、挖掘和分析,因此基于知识图谱的问答系统（Knowledge Based Question Answering,KBQA）成为越来越多人的研究对象。但是目前对于KBQA的研究也存在一些难点:一方面,当前的问答方法难以有效实现涉及多实体的复杂问句的问答;另一方面,传统的问答方法在属性映射上的准确率还不高。对于问答系统的研究可以分为开放域问答系统和限定域问答系统。限定域问答系统由于其领域范围小,特征明显,算法精准度更高,因而更易投入使用,对提高专业领域的智能化服务水平具有重要的意义。本文选取了高考咨询领域进行问答系统研究,因为我国高考人数众多,在报考志愿时对于信息查询有着巨大的需求。传统的信息查询方式是上网搜索、书籍查询、人工咨询等,耗时耗力,如果能够建立一个囊括所有学校相关信息的问答系统,快速准确的返回需要的答案,那么就可以弥补目前在报考学校时信息难以查找的不足。本文面向高考咨询领域开展对于基于知识图谱的限定域问答系统关键技术的研究,主要内容如下:第一,设计了在KBQA领域的问句分类体系的构建方法以及对应的分类方法,首先根据爬取的问句设计了高校信息知识图谱的数据模式,然后将问句分类体系的划分与知识图谱的数据模式相结合,根据数据模式中的实体和属性将问句类别划分为大小类,并分两步进行问句分类。第二,提出了BERT-Bi LSTM模型来提升相似度的计算精度,既有利用BERT（Bidirectional Encoder Representations from Transformers）结合上下文动态生成词向量的优势,又利用了双向长短时记忆网络（Bi-directional Long Short Term Memory network,Bi LSTM）进一步捕捉句子信息,用以提高相似度计算的准确率,将此模型用于问句分类和问答过程中。第三,研究了针对复杂问句的问答方法,提出了一个改进的基于语义解析的问答模型,通过添加约束生成查询图,然后将查询图自动转换成Neo4j查询语句,再到数据库中检索得到答案。第四,通过自顶向下的方式构建了高校信息知识图谱,根据问句分类阶段设计好的数据模式从多个网站爬取高校信息、整理格式后导入到Neo4j数据库,然后在此知识图谱的基础上实现了基于语义解析的高考咨询问答系统。
章春勇[9]（2021）在《基于大数据的人才画像研究与应用》文中提出在当今信息化基础建设相对成熟的新时代,政企事业单位的管理不断精细化和精确化,加之其规模不断扩大、任用制度不断改进,人才的信息数据呈现出指数级增长的趋势。人才建设已经成为关系到企业、社会和国家各方面稳步发展的关键因素。基于海量人才数据,政企事业单位如何借助数据挖掘模型和大数据技术等手段,有效且全面掌握人才的潜在价值,更好地分析现有人才并挖掘新型人才,最终找到与其发展相适应的组织、制度、流程和支撑,显得至关重要。在新时代背景下,能够刻画人才特征的人才画像将是人事管理过程中的必然产物,也是政企事业单位对人才不断开发、培养并增值的必经之路,更是其稳步发展的基本前提。政企事业单位拥有自身的人才画像体系已然迫在眉睫。本文的核心目标是设计并实现一款帮助企业深入挖掘人才专业领域特征的人才画像Web系统。基于该目标,本文主要工作包括:借助互联网社交软件和网络购物平台构建用户画像的背景,调研了用户画像的构建方法和相关技术,并针对江西省政企事业单位职能部门人才建设的实际需求进行调研,结合JX省人事人才一体化平台项目特点,提出人才画像概念,设计并实现了基于大数据的人才画像系统。本文以JX省人事人才一体化平台为数据源,利用Scrapy框架对中国知网进行网络爬虫,补充专业领域数据;人才画像需要大数据技术支撑,利用Hadoop生态圈各组件对一体化平台的相关业务数据进行存储和处理;通过IKAnalyzer分词技术和TF-IDF标签权重算法进行特征选择;结合K-means算法,对人才画像进行聚类分析。本文构建的人才画像系统采用B/S架构,通过Jfinal+Vue.js框架实现前后端分离,促进逻辑设计、业务开发和维护过程的便捷和解耦。前端使用Highcharts插件对人才画像采用可视化图形和词云进行展示。最终实现一套完整的人才画像系统。
任浩[10]（2021）在《神经退行性疾病知识库构建方法与实现》文中提出医学知识库在现代生物医学领域的作用越来越重要,在大数据时代可以从知识库中发掘出更多隐含知识,服务于智慧医疗等领域。特别是神经退行性疾病,传统模式的新药研发、治疗模式已陷入瓶颈期,从海量生物医学文献中识别相关实体,并利用深度学习、关系抽取、自然语言处理等技术构建各实体和关系的神经退行性疾病知识库,能够辅助药物研究员进行新药研发,疾病机理研究和防治策略等,对生物医学领域的研究具有现实的实用意义,其中高效的从自然文本中对生物医学实体进行识别是后续关系抽取及知识图谱构建任务的基础工作。本文主要包含以下两个方面的研究:（1）本文创新的提出基于胶囊网络的实体识别算法应用于生物医学实体识别领域。该方法把目标词和周围词的向量表达作为输入,并输出目标词前词和后词的标签,获取标签依赖关系从而确定标签序列。该方法简化了传统基于循环神经网络的实体识别算法的结构,不需要大量的人力去添加复杂的特征,模型可以自动学习有用的特征,即使差别较大的语料输入,依然能够达到很好的性能,模型可迁移能力较强。最后通过对比实验证,验证了该模型在NCBI、CDR和CHEMDNER语料的命名实体识别任务中性能表现良好。（2）本文将上述算法应用于神经退行性疾病知识库构建中,从神经退行性疾病相关生物医学文献中识别与其相关的症状、药物、化合物、天然产物、基因、肽等实体并以知识图谱的形式可视化展示。此外还包含电子病历录入、文章快速实体识别、手动维护实体对等功能,支持多种方式对神经退行性疾病的知识库进行丰富。
二、为数据库系统添加小词典（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、为数据库系统添加小词典（论文提纲范文）
（8）基于知识图谱的限定域问答系统关键技术研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究的背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.3 论文的研究内容和创新之处 |
| 1.4 论文的组织结构 |
| 第二章 问答系统构建的相关技术与理论基础 |
| 2.1 问答系统概述 |
| 2.2 KBQA方法概述 |
| 2.3 知识图谱与Neo4j |
| 2.3.1 知识图谱 |
| 2.3.2 Neo4j |
| 2.4 深度学习模型 |
| 2.4.1 双向长短时记忆网络 |
| 2.4.2 BERT |
| 2.5 本章小结 |
| 第三章 面向KBQA领域的问句分类方法研究 |
| 3.1 传统的问句分类方法 |
| 3.2 基于KBQA的问句分类方法研究 |
| 3.2.1 构建知识图谱数据模式 |
| 3.2.2 构建问句分类体系 |
| 3.2.3 问句分类方法 |
| 3.3 BERT-BiLSTM相似度计算模型 |
| 3.3.1 传统的相似度计算方法 |
| 3.3.2 改进算法 |
| 3.4 实验结果及分析 |
| 3.4.1 问句数据集来源 |
| 3.4.2 评价标准 |
| 3.4.3 实验环境及参数设置 |
| 3.4.4 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于语义解析的问答方法研究 |
| 4.1 确定主题实体 |
| 4.1.1 命名实体识别 |
| 4.1.2 实体排序 |
| 4.2 核心推理链生成 |
| 4.3 查询图生成 |
| 4.4 查询语句生成 |
| 4.5 本章小结 |
| 第五章 高考咨询问答系统的实现与测试分析 |
| 5.1 构建高校信息知识图谱 |
| 5.1.1 数据收集 |
| 5.1.2 数据导入 |
| 5.2 高考咨询问答系统原型 |
| 5.2.1 需求分析 |
| 5.2.2 界面设计 |
| 5.2.3 模块设计 |
| 5.3 系统测试分析 |
| 5.3.1 各步骤训练实验结果 |
| 5.3.2 整体运行效果分析 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 致谢 |
（9）基于大数据的人才画像研究与应用（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 人才画像的国内外研究现状 |
| 1.3 主要工作及章节安排 |
| 第2章 模型概述及相关技术理论 |
| 2.1 人才画像技术 |
| 2.1.1 人才画像概述 |
| 2.1.2 人才画像构建流程 |
| 2.2 Hadoop生态圈 |
| 2.2.1 Hadoop简介 |
| 2.2.2 Zookeeper分布式协作服务 |
| 2.2.3 Hbase分布式列存数据库 |
| 2.2.4 Kafka分布式消息队列 |
| 2.2.5 Flume日志收集工具 |
| 2.2.6 Sqoop数据ETL/同步工具 |
| 2.3 Scrapy爬虫框架 |
| 2.3.1 Scrapy框架简介 |
| 2.3.2 Scrapy的组成架构 |
| 2.3.3 Scrapy的工作流程 |
| 2.4 文本挖掘技术 |
| 2.4.1 分词技术 |
| 2.4.2 特征选择 |
| 2.4.3 聚类算法 |
| 2.5 本章小结 |
| 第3章 人才画像系统的需求分析和方案设计 |
| 3.1 人才画像系统的功能性需求 |
| 3.2 系统模块设计 |
| 3.2.1 系统管理模块 |
| 3.2.2 信息采集模块 |
| 3.2.3 D图管理模块 |
| 3.2.4 人才画像模块 |
| 3.3 系统非功能性需求 |
| 3.3.1 数据安全及保密需求 |
| 3.3.2 人才画像系统与管理信息系统的区别 |
| 3.4 本章小结 |
| 第4章 人才画像系统的设计与实现 |
| 4.1 系统实现目标 |
| 4.2 系统架构设计 |
| 4.3 开发环境搭建 |
| 4.3.1 Scrapy爬虫环境 |
| 4.3.2 Hadoop虚拟环境 |
| 4.3.3 Vue.js+Node.js+Highcharts前端环境 |
| 4.4 系统模块 |
| 4.4.1 系统管理 |
| 4.4.2 信息采集 |
| 4.4.3 D图管理 |
| 4.4.4 人才画像 |
| 4.5 本章小结 |
| 第5章 人才画像系统的测试和验证 |
| 5.1 系统测试环境 |
| 5.2 系统功能测试用例 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）神经退行性疾病知识库构建方法与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识库构建研究现状 |
| 1.2.2 生物医学实体识别 |
| 1.2.3 胶囊网络研究现状 |
| 1.3 本文主要研究内容 |
| 1.4 文章结构 |
| 2 理论和相关技术基础 |
| 2.1 知识库相关知识与技术 |
| 2.1.1 知识库简介 |
| 2.1.2 前端技术 |
| 2.1.3 后端技术 |
| 2.2 实体识别相关理论 |
| 2.2.1 卷积神经网络 |
| 2.2.2 长短记忆神经网络 |
| 2.3 胶囊网络 |
| 3 面向知识库的命名实体识别研究 |
| 3.1 基于胶囊网络的实体识别方法 |
| 3.1.1 预处理 |
| 3.1.2 词的向量表示 |
| 3.1.3 训练胶囊网络模型 |
| 3.1.4 后处理 |
| 3.2 实验与结果分析 |
| 3.2.1 实验环境 |
| 3.2.2 参数设定 |
| 3.2.3 标签机制与评价指标 |
| 3.2.4 实验数据集 |
| 3.2.5 实验结果 |
| 3.3 本章小结 |
| 4 神经退行性疾病知识库实现 |
| 4.1 知识库构建方法 |
| 4.2 知识库需求分析 |
| 4.2.1 需求分析概述 |
| 4.2.2 功能性需求 |
| 4.2.3 非功能性需求 |
| 4.2.4 可行性分析 |
| 4.3 知识库设计 |
| 4.3.1 知识库架构设计 |
| 4.3.2 知识库框架设计 |
| 4.3.3 数据库设计 |
| 4.3.4 知识库模块详细设计 |
| 4.4 知识库实现及测试 |
| 4.4.1 知识库实现 |
| 4.4.2 知识库测试 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
四、为数据库系统添加小词典（论文参考文献）
- [1]基于在线医疗患者数据的医生推荐研究[D]. 童柔. 西安理工大学, 2021
- [2]中文网络招聘语料的技能词识别与分析 ——基于IT类行业[D]. 茅倩. 桂林电子科技大学, 2021
- [3]交通监控中基于边缘计算的车辆视频存储与检索技术[D]. 罗瑞菡. 重庆邮电大学, 2021
- [4]电磁频谱战知识图谱构建技术研究[D]. 于波. 哈尔滨工程大学, 2021
- [5]动态本体的交互可视化系统研究[D]. 牟玮. 哈尔滨工业大学, 2021
- [6]国家通用语言文字适应性学习系统设计研究 ——面向少数民族进城务工人员的移动学习应用[D]. 李万亨. 西北民族大学, 2021
- [7]基于本体的圈闭评价知识抽取技术研究[D]. 马凝. 东北石油大学, 2021
- [8]基于知识图谱的限定域问答系统关键技术研究与应用[D]. 刘园园. 青岛大学, 2021
- [9]基于大数据的人才画像研究与应用[D]. 章春勇. 南昌大学, 2021
- [10]神经退行性疾病知识库构建方法与实现[D]. 任浩. 大连理工大学, 2021(01)