| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 基于特征扩展的方法 | 第14-15页 |
| 1.2.2 基于神经网络的方法 | 第15-16页 |
| 1.3 本文的主要工作 | 第16-17页 |
| 1.4 本文的组织结构 | 第17页 |
| 1.5 本章小结 | 第17-18页 |
| 第二章 相关研究基础及技术 | 第18-31页 |
| 2.1 依存句法分析 | 第18-19页 |
| 2.1.1 依存句法分析的基本原理 | 第18-19页 |
| 2.1.2 依存句法分析树的应用 | 第19页 |
| 2.2 文本表示 | 第19-22页 |
| 2.2.1 向量空间模型 | 第20-21页 |
| 2.2.2 分布式表达——词向量 | 第21-22页 |
| 2.3 循环神经网络(RNN) | 第22-26页 |
| 2.3.1 RNN模型 | 第22-23页 |
| 2.3.2 LSTM模型 | 第23-25页 |
| 2.3.3 Bi-LSTM模型 | 第25-26页 |
| 2.4 注意力模型 | 第26-30页 |
| 2.4.1 注意力模型的基本思想 | 第26-27页 |
| 2.4.2 Encoder-Decoder模型 | 第27-28页 |
| 2.4.3 基于注意力机制的Encoder-Decoder模型 | 第28-29页 |
| 2.4.4 注意力模型的应用 | 第29-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 基于依存句法分析和Word2Vec的语义单元选择与扩展算法 | 第31-37页 |
| 3.1 SEMAN算法总体框架 | 第31-32页 |
| 3.2 基于依存句法分析树的语义单元选择算法 | 第32-34页 |
| 3.3 基于Word2Vec的语义单元扩展算法 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于语义扩展与多层注意力模型的分类算法 | 第37-43页 |
| 4.1 问题定义 | 第37-38页 |
| 4.2 多层注意力模型 | 第38-40页 |
| 4.3 SEMAN算法详述 | 第40-41页 |
| 4.4 问题细粒度分类 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 实验与分析 | 第43-58页 |
| 5.1 实验数据集 | 第43-44页 |
| 5.1.1 Yahoo!Answers(医疗) | 第43-44页 |
| 5.1.2 Yahoo!Answers(教育) | 第44页 |
| 5.2 评测指标 | 第44-45页 |
| 5.3 实验软硬件环境 | 第45页 |
| 5.4 实验设计 | 第45-47页 |
| 5.5 实验结果与分析 | 第47-55页 |
| 5.5.1 对比实验结果与分析 | 第47-51页 |
| 5.5.2 调节参数实验与分析 | 第51-55页 |
| 5.6 错误案例与分析 | 第55-57页 |
| 5.7 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 下一步工作和展望 | 第59-60页 |
| 附录一 作者攻读硕士学位期间发表的论文 | 第60页 |
| 附录二 作者攻读硕士学位期间参与的科研项目 | 第60页 |
| 附录三 作者攻读硕士学位期间申请的专利 | 第60-61页 |
| 参考文献 | 第61-68页 |
| 后记 | 第68页 |