路由实体论文_朱光,李珂

导读:本文包含了路由实体论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:实体,地标,路由,网络,知识,爬虫,逻辑。

路由实体论文文献综述

朱光,李珂^[1]（2018）在《基于路由跳数的网络实体地标筛选》一文中研究指出针对基于Web的地标挖掘算法中难以对候选地标进行有效评估的问题,提出了一种基于路由跳数的网络实体地标筛选算法。给出了基于候选城市分布的探测源部署和基准节点选择策略,通过测量高可靠基准节点,构建基准跳数向量,并以此为候选地标筛选条件,筛选出高可靠的地标。利用两种定位算法对筛选出的地标进行实验验证,结果表明:与基于Web的典型地标挖掘与评估方法相比,基于路由跳数的网络实体地标筛选算法能有效筛选出可靠性更高的地标,为提高基于地标的网络实体定位算法的精度提供了保障。(本文来源于《中原工学院学报》期刊2018年01期）

孔瑞雪^[2]（2014）在《一种基于分布式路由思想的实体知识推荐模型》一文中研究指出大数据时代，Web信息呈爆炸性增长，数据量的巨大给人们带来了新的挑战，传统关系数据库在海量数据存储和处理上捉襟见肘，为了提高运算性能和解决系统可扩展问题，利用分布式平台处理数据提取知识势在必行。虽然数据量日益庞大，但其价值密度却比较低，用户面临着信息过载带来的知识获取困扰。如何从数据海洋中挖掘知识并推荐给用户，成为了当今亟待解决的问题。知识推荐是指根据用户当前搜索，将与之相关的知识从隐形或显性的资源中提取并推荐的过程。知识推荐通常作为搜索引擎的一部分实现，传统的知识推荐多是基于“关键词”的，鉴于这种方式的推荐不能“理解”用户的语义，Google、Bing等搜索引擎已开始尝试将Web中的信息按实体的方式表示、集成和推荐。基于实体的搜索和推荐已成为搜索引擎竞争的新领域，代表了未来搜索引擎的发展方向。在搜索引擎向实体技术革新的阶段，如何利用分布式平台存储和处理数据，并基于实体给用户进行可视化的知识推荐是一个值得研究的综合性课题。基于上述背景，本文提出了一种基于分布式路由思想的实体知识推荐模型，模型能从维基百科中抽取出大量实体数据，并通过分布式运算获取实体之间的关系，然后以关系为基础为用户进行知识推荐。其中，数据采集过程模拟了网络爬虫的工作机制，为避免数据的重复抽取引入了Bloom Filter算法。采集好的初始数据通过预处理后转换成实体数据保存于搭建好的Hadoop云平台中。同时提出并采用了一种基于分布式路由思想的实体关系提取方法ERA(Entity RelationAcquisition)进行快速、分布式的实体关系提取。ERA的核心思想是将实体模拟成路由器，让实体按照类似动态路由的方式自发地去探寻它与周围实体形成的关系世界。最后对推荐结果进行了可视化展示，并引入了力导向算法优化界面布局。本文详细描述了模型设计及实现方法，通过实验测试验证了模型的有效性。(本文来源于《四川师范大学》期刊2014-04-17）

王睿^[3]（2008）在《语义网上自治实体间本体知识路由的实现机制》一文中研究指出当今,我们可以从网络上获取大量的数据与服务来满足人们对知识的需求。语义Web的出现为知识工程、数据工程提供了上下文环境,它帮助我们改善了网络上的知识组织,并使用户更加方便地获取他们所需要的知识。可是传统的搜索技术无法帮助用户准确定位他们所需的知识,或者无法根据模糊的查询请求找到所需知识,更无法帮助用户理解他们所需知识与他们自身所具有知识之间究竟有何关系。如何在这些海量知识中按照用户的需求快速准确地定位目标知识便成为语义Web研究中迫切需要解决的问题。针对上述问题,本文的意图在于设计一种可以融入本体知识的P2P系统,并找到一种高效的本体知识路由机制,以帮助用户尽最大可能找到所需知识,或所需相近的知识。知识发现正力图解决上述问题。而我们研究的本体知识路由是在知识发现基础上的延伸。虽然知识发现理论为我们提供了一种高效的发现知识的策略,但是这仅仅是一种策略,它无法在整体上提出一种知识共享及传播的机制。陆汝钤院士曾说过:“知识是一种结构化的信息”。而语义网正是一种可以应用于当今Internet,并解决用户知识需求的有效方案。本文的研究利用了语义网技术,并加入了人工智能与自治系统的最新研究成果。在系统设计上,本文基于半分布式P2P系统,并加入自治多Agent系统的注册服务机制,以本体知识间的语义关系为指导,构造节点间的逻辑连接,进而指导系统中查询消息的路由。本文提出的面向本体知识路由系统的路由算法利用路由节点上提供的丰富的语义信息,找寻到达知识提供者的语义线索,并记录找寻路径。它不仅为用户提供了查询应答,还为用户提供了一条由查询者所持有的兴趣概念到他所要找寻的目标知识之间的知识链。这种知识链可以帮助查询者理解如何根据自身知识推理所需知识。在上面思想的指导下,本文使用多Agent技术,设计并搭建语义P2P系统,并在此系统上试开发基于本体技术的E-learning作业指导系统SHES(Semantic Homework Enlightening System)。除此以外,本文的另一项主要成果是将心理学中的行为分析方法引入到语义Web服务分析与建模过程中,结合描述逻辑为语义Web服务、服务复合的形式化建模与逻辑验证提供一种理论方法。同时在本文的系统设计中,将路由过程设计成为一个复合服务,因此便可以用本文中探索的理论验证方法,对本体知识路由过程进行可靠性验证,为本体知识路由的研究提供理论基础。(本文来源于《太原理工大学》期刊2008-05-01）

路由实体论文开题报告

（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：

大数据时代，Web信息呈爆炸性增长，数据量的巨大给人们带来了新的挑战，传统关系数据库在海量数据存储和处理上捉襟见肘，为了提高运算性能和解决系统可扩展问题，利用分布式平台处理数据提取知识势在必行。虽然数据量日益庞大，但其价值密度却比较低，用户面临着信息过载带来的知识获取困扰。如何从数据海洋中挖掘知识并推荐给用户，成为了当今亟待解决的问题。知识推荐是指根据用户当前搜索，将与之相关的知识从隐形或显性的资源中提取并推荐的过程。知识推荐通常作为搜索引擎的一部分实现，传统的知识推荐多是基于“关键词”的，鉴于这种方式的推荐不能“理解”用户的语义，Google、Bing等搜索引擎已开始尝试将Web中的信息按实体的方式表示、集成和推荐。基于实体的搜索和推荐已成为搜索引擎竞争的新领域，代表了未来搜索引擎的发展方向。在搜索引擎向实体技术革新的阶段，如何利用分布式平台存储和处理数据，并基于实体给用户进行可视化的知识推荐是一个值得研究的综合性课题。基于上述背景，本文提出了一种基于分布式路由思想的实体知识推荐模型，模型能从维基百科中抽取出大量实体数据，并通过分布式运算获取实体之间的关系，然后以关系为基础为用户进行知识推荐。其中，数据采集过程模拟了网络爬虫的工作机制，为避免数据的重复抽取引入了Bloom Filter算法。采集好的初始数据通过预处理后转换成实体数据保存于搭建好的Hadoop云平台中。同时提出并采用了一种基于分布式路由思想的实体关系提取方法ERA(Entity RelationAcquisition)进行快速、分布式的实体关系提取。ERA的核心思想是将实体模拟成路由器，让实体按照类似动态路由的方式自发地去探寻它与周围实体形成的关系世界。最后对推荐结果进行了可视化展示，并引入了力导向算法优化界面布局。本文详细描述了模型设计及实现方法，通过实验测试验证了模型的有效性。

（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。