| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 答案排序研究现状 | 第13-14页 |
| 1.2.2 问题检索研究现状 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-19页 |
| 第2章 社区问答系统相关概念与关键技术 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 社区问答系统简介 | 第19-21页 |
| 2.3 基本模型 | 第21-25页 |
| 2.3.1 隐含狄利克雷分配 | 第21-22页 |
| 2.3.2 Word2vec | 第22-23页 |
| 2.3.3 谱聚类 | 第23-24页 |
| 2.3.4 支持向量机 | 第24-25页 |
| 2.4 深度学习模型 | 第25-29页 |
| 2.4.1 卷积神经网络 | 第25-26页 |
| 2.4.2 长短时记忆网络 | 第26-28页 |
| 2.4.3 基于注意力机制的神经网络 | 第28-29页 |
| 2.5 数据集与数据预处理 | 第29-31页 |
| 2.6 评价指标 | 第31-32页 |
| 2.7 本章小结 | 第32-33页 |
| 第3章 改进主题模型 | 第33-53页 |
| 3.1 引言 | 第33页 |
| 3.2 主题个数选择 | 第33-34页 |
| 3.3 传统主题模型存在的问题 | 第34-37页 |
| 3.3.1 存在垃圾主题 | 第35-36页 |
| 3.3.2 存在相似主题 | 第36-37页 |
| 3.4 改进主题模型 | 第37-43页 |
| 3.4.1 垃圾主题过滤 | 第37-39页 |
| 3.4.2 相似主题检测 | 第39-42页 |
| 3.4.3 改进主题模型效果分析 | 第42-43页 |
| 3.5 文本特征分类 | 第43-45页 |
| 3.6 实验设置与步骤 | 第45-49页 |
| 3.7 实验结果与分析 | 第49-52页 |
| 3.7.1 答案排序实验结果与分析 | 第49-50页 |
| 3.7.2 问题检索实验结果与分析 | 第50-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第4章 基于信息增强方法的深度学习模型 | 第53-65页 |
| 4.1 引言 | 第53页 |
| 4.2 答案排序和问题检索任务的深度神经网络建模 | 第53-57页 |
| 4.2.1 LSTM、BiLSTM建模 | 第54-55页 |
| 4.2.2 LSTM-CNN建模 | 第55-56页 |
| 4.2.3 LSTM-ATTN、BiLSTM-ATTN建模 | 第56-57页 |
| 4.3 信息增强的问题检索任务 | 第57-58页 |
| 4.4 信息增强的答案排序任务 | 第58-59页 |
| 4.5 实验设置与步骤 | 第59-60页 |
| 4.6 实验结果与讨论 | 第60-64页 |
| 4.6.1 数据清洗对CQA系统子任务的影响 | 第60-63页 |
| 4.6.2 基于信息增强的深度神经网络实验结果 | 第63-64页 |
| 4.7 本章小结 | 第64-65页 |
| 第5章 社区问答系统实现流程设计 | 第65-77页 |
| 5.1 引言 | 第65页 |
| 5.2 社区问答系统面临的问题 | 第65-67页 |
| 5.3 关键技术 | 第67-70页 |
| 5.3.1 大数据处理引擎 | 第67-68页 |
| 5.3.2 文本检索引擎 | 第68页 |
| 5.3.3 大数据存储引擎 | 第68-69页 |
| 5.3.4 请求高可用 | 第69-70页 |
| 5.4 实现流程设计 | 第70-76页 |
| 5.4.1 整体流程设计 | 第70-71页 |
| 5.4.2 基于倒排索引的两阶段文本排序 | 第71-73页 |
| 5.4.3 基于NoSQL的文本特征实时更新 | 第73页 |
| 5.4.4 基于LRU的热门问题的缓存机制 | 第73-75页 |
| 5.4.5 基于Spark的实时内部答案排序和内容更新 | 第75-76页 |
| 5.5 本章小结 | 第76-77页 |
| 第6章 总结与展望 | 第77-79页 |
| 6.1 总结 | 第77-78页 |
| 6.2 展望 | 第78-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-87页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第87页 |