基于深度神经网络的句子相似度研究与实现讼文答辩日期:年【月J日
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.2.3 研究现状分析小结 | 第15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 论文的内容结构 | 第16-17页 |
| 第二章 相关技术介绍 | 第17-30页 |
| 2.1 文本语义相似度简介 | 第17-18页 |
| 2.2 词嵌入技术介绍 | 第18-19页 |
| 2.3 CNN、RNN及LSTM简介 | 第19-26页 |
| 2.3.1 CNN | 第22-24页 |
| 2.3.2 RNN | 第24-25页 |
| 2.3.3 LSTM | 第25-26页 |
| 2.4 相似度计算方法及评估指标 | 第26-29页 |
| 2.4.1 距离相似度 | 第26-27页 |
| 2.4.2 TF-IDF | 第27-28页 |
| 2.4.3 评估指标 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 模型设计 | 第30-41页 |
| 3.1 模型整体架构 | 第30-31页 |
| 3.2 输入预处理及Embedding层 | 第31-33页 |
| 3.3 双向LSTM | 第33-35页 |
| 3.4 CNN层处理 | 第35-36页 |
| 3.5 额外特征融合 | 第36-38页 |
| 3.5.1 距离特征 | 第37页 |
| 3.5.2 重叠词特征 | 第37-38页 |
| 3.5.3 向量交叉特征 | 第38页 |
| 3.5.4 多特征融合 | 第38页 |
| 3.6 输出的预测函数与损失函数 | 第38-40页 |
| 3.6.1 语义相似度 | 第38-39页 |
| 3.6.2 语义相关度 | 第39-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第四章 模型实现与训练 | 第41-46页 |
| 4.1 Embedding参数初始化 | 第41-42页 |
| 4.2 模型训练算法 | 第42页 |
| 4.3 过拟合处理 | 第42-44页 |
| 4.3.1 Dropout | 第42-43页 |
| 4.3.2 Early stopping | 第43-44页 |
| 4.3.3 交叉验证 | 第44页 |
| 4.4 超参数设置和参数初始化 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 实验与结果分析 | 第46-61页 |
| 5.1 数据集来源 | 第46-47页 |
| 5.2 主要实验结果 | 第47-54页 |
| 5.2.1 句子相似度任务 | 第47-50页 |
| 5.2.2 句子相关度任务 | 第50-53页 |
| 5.2.3 实验小结 | 第53-54页 |
| 5.3 其他实验对比 | 第54-60页 |
| 5.3.1 模型结构对比 | 第54-55页 |
| 5.3.2 Dropout比例对比 | 第55-57页 |
| 5.3.3 特征实验对比 | 第57页 |
| 5.3.4 Embedding初始化参数对比 | 第57-58页 |
| 5.3.5 预测函数与损失函数对比 | 第58-59页 |
| 5.3.6 实验小结 | 第59-60页 |
| 5.4 本章小结 | 第60-61页 |
| 第六章 总结 | 第61-63页 |
| 6.1 主要工作内容 | 第61页 |
| 6.2 存在问题及前景展望 | 第61-63页 |
| 参考文献 | 第63-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |
