大数据环境下基于知识整合的语义计算技术与应用

语义计算是理解自然语言的核心内容之一，有助于计算机量化、理解语句或文档的关联程度。依据语义资源的不同，典型的语义相似度计算方法分为基于知识库和基于语料库。知识库能够提供词汇的语义描述和结构化信息，但是严重依赖于领域专家的构建和维护，词汇覆盖率较低，缺乏可扩展性。而语料库虽然包含丰富的词汇，但是其非结构性导致难以从中提取词汇的有效语义特征。本书作者将在语义计算方向的科学研究成果进行总结整理，立足于基于知识整合的词汇语义相似度计算技术及其应用，提出整合两类语义资源的语义相似度计算方法，从语义特征的选择与提取、语义特征融合、语义计算这三方面内容梳理知识脉络。本书内容涉及当前主流的技术，如深度学习、文本向量化，附有大量的理论与技术介绍、实验数据、图表以及结果分析，帮助读者对于相关知识概念有一个较为清晰的认识。

蔡圆媛，博士，现任北京工商大学计算机与信息工程学院讲师，研究方向为自然语言处理、机器学习、大数据挖掘。主持2018年北京市自然科学基金青年项目1项、2017年*人文社会科学研究青年基金项目1项，2017年北京工商大学青年教师科研启动基金项目1项，并参与多个、省部级科研项目，担任骨干成员。近五年，已在多个SCI检索期刊以及国际会议上公开发表学术论文10 余篇，申请发明专利1 项。

第1章  引论 1.1 语义计算；1.2 语义相似度；1.3 相关理论的演变与现状；1.4 本书主要内容与创新。第2章 语义相似度计算的相关理论 2.1 语义资源；2.2 基于图结构的概念语义相似度；2.3  文本的表示学习；2.4 基于向量空间的单词语义相似度；第3章 基于IC加权短路径的概念语义相似度计算 3.1 计算方法的分类；3.2 概念的语义继承关系和结构属性；3.3 结合IC与路径距离的混合式计算方法；3.4 应用案例 第4章 基于多语义融合的单词语义相似度 4.1 概念向量的构建；4.2 向量的特征融合；4.3 多语义属性的融合模型；4.4 应用案例  第5章 基于差分进化算法的单词语义相似度计算 5.1 差分进化算法；5.2 基于特征的有监督学习模型； 5.3 基于差分进化算法的语义计算；5.4 应用案例 第6章 知识整合的前世今生 6.1 知识图谱与深度学习的研究与应用；6.2 知识作为神经网络的输入；6.3 知识作为神经网络的约束；6.4 本章小结。