首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--检索机论文

基于上下文的信息检索若干关键技术研究

摘要第5-7页
ABSTRACT第7-9页
第1章 绪论第20-26页
    1.1 研究背景第20-23页
        1.1.1 信息检索简介第20-21页
        1.1.2 基于上下文的信息检索第21-23页
    1.2 本文研究内容第23-24页
    1.3 本文组织结构第24-26页
第2章 相关工作第26-33页
    2.1 上下文信息及其分类第26-27页
    2.2 基于上下文的信息检索模型及其不足第27-31页
        2.2.1 上下文主题感知检索模型第27-28页
        2.2.2 上下文时间感知检索模型第28-29页
        2.2.3 上下文位置感知检索模型第29-30页
        2.2.4 上下文对齐感知检索模型第30-31页
    2.3 神经网络模型第31-33页
第3章 基于上下文片段主题的排序第33-68页
    3.1 引言第33-36页
    3.2 相关工作第36-38页
        3.2.1 查询表示第36-37页
        3.2.2 主题模型第37-38页
    3.3 基于上下文片段主题的排序方法第38-50页
        3.3.1 优质上下文片段识别第40-43页
        3.3.2 上下文感知主题建模第43-46页
        3.3.3 模型推断第46-49页
        3.3.4 基于主题的混合检索模型第49-50页
    3.4 实验设置第50-56页
        3.4.1 数据集和评价指标第50-52页
        3.4.2 基准模型第52-53页
        3.4.3 参数设置第53页
        3.4.4 实验结果第53-56页
    3.5 分析和讨论第56-67页
        3.5.1 主题数的影响第56-57页
        3.5.2 的影响第57-59页
        3.5.3 上下文相关性阈值的影响第59-60页
        3.5.4 上下文片段的有效性第60-62页
        3.5.5 上下文感知主题建模的有效性第62-64页
        3.5.6 与当前上下文感知模型对比第64-66页
        3.5.7 案例研究第66-67页
    3.6 本章小结第67-68页
第4章 基于上下文细粒度时间的排序第68-97页
    4.1 引言第68-70页
    4.2 相关工作第70-71页
    4.3 初步分析第71-77页
        4.3.1 数据集第72页
        4.3.2 相关文档的时间分布第72-75页
        4.3.3 查询词的时间分布第75-77页
    4.4 基于上下文细粒度时间的排序框架第77-82页
        4.4.1 排序框架第77-78页
        4.4.2 词级别的时间预测器第78-81页
        4.4.3 基于排序框架的检索模型第81-82页
    4.5 实验设置第82-84页
        4.5.1 基准模型第82-84页
        4.5.2 评价指标和参数设置第84页
    4.6 实验结果及分析第84-95页
        4.6.1 与基准模型对比第85-87页
        4.6.2 各种时间预测器的影响第87-88页
        4.6.3 参数的影响第88-90页
        4.6.4 与当前模型对比第90-92页
        4.6.5 对微博检索竞赛结果的促进第92-94页
        4.6.6 案例研究第94-95页
    4.7 本章小结第95-97页
第5章 基于上下文位置注意力的神经网络排序第97-109页
    5.1 引言第97-99页
    5.2 相关工作第99-100页
    5.3 基于上下文位置注意力的神经网络排序模型RNN-POA第100-103页
        5.3.1 RNN-POA概览第100-101页
        5.3.2 位置感知的影响力传播第101-102页
        5.3.3 位置感知的影响力向量第102页
        5.3.4 上下文位置注意力机制第102-103页
    5.4 实验设置第103-104页
        5.4.1 数据集和评价指标第103-104页
        5.4.2 参数设置第104页
    5.5 实验结果及分析第104-108页
        5.5.1 上下文位置注意力的有效性第104-105页
        5.5.2 与当前方法对比第105-106页
        5.5.3 影响力传播范围研究第106-107页
        5.5.4 案例研究第107-108页
    5.6 本章小结第108-109页
第6章 基于上下文对齐的神经网络排序第109-126页
    6.1 引言第109-111页
    6.2 相关工作第111-112页
    6.3 基于上下文对齐的神经网络排序模型CA-RNN第112-116页
        6.3.1 CA-RNN概览第113-114页
        6.3.2 词对齐检测第114-115页
        6.3.3 上下文对齐门第115-116页
    6.4 实验设置第116-119页
        6.4.1 数据集和评价指标第116-117页
        6.4.2 训练第117-118页
        6.4.3 参数设置第118-119页
    6.5 实验结果及分析第119-125页
        6.5.1 CA-RNN的有效性第119-120页
        6.5.2 与当前方法对比第120-122页
        6.5.3 上下文对齐方向研究第122-123页
        6.5.4 案例研究第123-125页
    6.6 本章小结第125-126页
第7章 总结与展望第126-129页
    7.1 研究总结第126-127页
    7.2 研究展望第127-129页
参考文献第129-144页
附录一 攻读博士期间发表的学术论文第144-146页
附录二 攻读博士期间参与的科研项目第146-147页
附录三 攻读博士期间申请的发明专利第147-148页
致谢第148-149页

论文共149页,点击 下载论文
上一篇:云存储和多用户数据共享中的若干安全与隐私问题研究
下一篇:基于边缘共生特征与字对辅助的文本无关书写人识别