本书是“十三五”国家重点图书规划“大数据科学”丛书著作。 知识库不仅已经成为人们日常搜索知识的主要平台，而且为许多应用研究提供知识来源。近年来大规模知识库引文推荐技术逐渐成为大数据知识工程的研究热点之一。本书在作者和作者所在研究团队最新研究成果的基础上，对大规模知识库引文推荐技术进行探讨。全书共7 章，内容包括：绪论、实体-引文相关性分类技术、基于实体突发特征的文本表示模型、实体-引文类别依赖的混合模型、融入偏好信息的分类模型、实体-引文联合的深度网络分类模型和引文推荐冷启动问题。本书可作为大数据、知识工程研究人员的参考书或作为研究生大数据知识工程课程参考书使用。 “大数据科学”丛书涉及大数据理论、技术、产业和管理的方方面面，旨在帮助国内相关领域的学者、产业界人士了解世界大数据研究和应用的前沿进展，也可以作为教学之用。

前辅文
第1章 绪论
  1.1 大规模知识库引文推荐产生的背景
  1.2 大规模知识库
   1.2.1 知识的概念与分类
   1.2.2 知识表示
   1.2.3 知识库及知识库系统
   1.2.4 大规模知识库的定义
   1.2.5 大规模知识库案例
   1.2.6 大知识工程
  1.3 大规模知识库引文推荐技术的相关研究现状及趋势
   1.3.1 在线知识库累积引文推荐
   1.3.2 命名实体链接
   1.3.3 命名实体分类
   1.3.4 突发特征挖掘
   1.3.5 信息推荐
  1.4 引文表示方法
   1.4.1 特征表示法
   1.4.2 主题模型法
   1.4.3 分布式表示法
  1.5 大规模知识库引文推荐存在的问题与发展
第2章 实体-- 引文相关性分类技术
  2.1 在线百科知识库累积引文推荐及处理流程
  2.2 实体-- 引文相关性分析
  2.3 累积引文推荐数据集
   2.3.1 目标实体集合
   2.3.2 文档集合
   2.3.3 标注情况
  2.4 工作数据集
   2.4.1 别名扩展
   2.4.2 查询扩展
  2.5 特征选择
   2.5.1 语义特征
   2.5.2 时序特征
  2.6 实体-- 引文相关性分类模型
   2.6.1 查询扩展
   2.6.2 分类方法
   2.6.3 排序学习
  2.7 累积引文相关性分析验证
   2.7.1 任务场景
   2.7.2 评价指标
   2.7.3 文档过滤性能
   2.7.4 相关性模型评价
  2.8 特征分析
  2.9 本章小结
第3章 基于实体突发特征的文本表示模型
  3.1 引言
  3.2 突发检测方法的相关工作
  3.3 基于实体突发特征的文本表示
   3.3.1 实体突发特征检测算法
   3.3.2 实体-- 引文的特征表示
  3.4 实体-- 引文相关性判别分类模型
  3.5 基于实体突发特征表示模型的验证
   3.5.1 数据集
   3.5.2 任务场景
   3.5.3 系统评价指标
   3.5.4 测试方法
   3.5.5 结果及分析
   3.5.6 实体级粒度比较
  3.6 本章小结
第4章 实体-- 引文类别依赖的混合模型
  4.1 引言
  4.2 混合模型的相关工作
  4.3 类别依赖的判别混合模型
   4.3.1 模型定义
   4.3.2 全局判别分类模型
   4.3.3 实体-- 引文类别依赖的判别混合模型
   4.3.4 模型参数估计
   4.3.5 实体-- 引文类别依赖判别混合模型的两个特例
   4.3.6 混合模型的特点
  4.4 实体、引文的特征选择
   4.4.1 实体-- 引文特征
   4.4.2 实体类别特征
   4.4.3 引文类别特征
  4.5 实体-- 引文类别依赖混合模型的效果
   4.5.1 数据集
   4.5.2 任务场景
   4.5.3 比对方法
   4.5.4 参数选择策略
   4.5.5 评价指标
   4.5.6 结果及分析
   4.5.7 判别混合模型的泛化能力
  4.6 本章小结
第5章 融入偏好信息的分类模型
  5.1 引言
  5.2 扩展SVMs和选择抽样
   5.2.1 扩展的SVMs
   5.2.2 选择抽样
  5.3 偏好增强的支持向量机
   5.3.1 原问题与对偶问题
   5.3.2 对偶问题的最优条件
   5.3.3 扩展的SMO算法
  5.4 二层启发式抽样算法
  5.5 PSVM模型效果
   5.5.1 基于TREC-KBA-2012的测试
   5.5.2 强化测试
  5.6 本章小结
第6章 实体-- 引文联合的深度网络分类模型
  6.1 引言
  6.2 文本分类的相关工作
  6.3 实体-- 引文相关性分类问题定义
  6.4 DeepJoED模型
   6.4.1 DeepJoED框架
   6.4.2 输入层
   6.4.3 查表层
   6.4.4 卷积层和最大化池层
   6.4.5 交互层
   6.4.6 输出层
  6.5 网络学习
   6.5.1 正则化
   6.5.2 超参数
  6.6 DeepJoED模型效果
   6.6.1 数据集
   6.6.2 任务场景
   6.6.3 度量指标
   6.6.4 实验设置
   6.6.5 预训练词向量
   6.6.6 实验方法
   6.6.7 结果及分析
   6.6.8 词向量维度的影响
  6.7 本章小结
第7章 引文推荐冷启动问题
  7.1 引言
  7.2 冷启动引文推荐定义
  7.3 Vital文档特点
  7.4 相关性模型
   7.4.1 基于实体相关事件的语句聚类
   7.4.2 文档排序
  7.5 特征选择
   7.5.1 时间范围特征
   7.5.2 头衔/职业特征
   7.5.3 动作模式特征
  7.6 模型调整
  7.7 实体引文推荐冷启动模型效果
   7.7.1 数据集
   7.7.2 任务场景
   7.7.3 实验方法
   7.7.4 结果及分析
  7.8 本章小结
附录 扩展SMO算法核心源代码
参考文献
名词索引