| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 关系分类研究现状 | 第12-15页 |
| 1.2.1 基于特征的关系分类方法 | 第12-13页 |
| 1.2.2 基于核的关系分类方法 | 第13页 |
| 1.2.3 基于深度学习的关系分类方法 | 第13-15页 |
| 1.3 本文研究内容 | 第15-16页 |
| 1.4 本文结构安排 | 第16-18页 |
| 2 相关深度学习技术概述 | 第18-35页 |
| 2.1 WORD2VEC词向量生成技术 | 第18-23页 |
| 2.1.1 CBOW模型和Skip-gram模型 | 第19-21页 |
| 2.1.2 Hierarchical softmax | 第21-23页 |
| 2.1.3 负采样策略 | 第23页 |
| 2.2 基于卷积神经网络的文本分类方法 | 第23-27页 |
| 2.2.1 卷积神经网络模型 | 第24-25页 |
| 2.2.2 基于卷积神经网络的文本分类模型 | 第25-27页 |
| 2.3 长短期记忆循环神经网络 | 第27-31页 |
| 2.3.1 循环神经网络 | 第27-29页 |
| 2.3.2 长短期记忆单元 | 第29-31页 |
| 2.4 神经网络优化策略 | 第31-34页 |
| 2.4.1 Dropout策略 | 第32-33页 |
| 2.4.2 Adam优化算法 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 基于门控卷积神经网络的语义关系分类方法 | 第35-54页 |
| 3.1 相关概念介绍 | 第35-38页 |
| 3.1.1 门控线性单元 | 第36-37页 |
| 3.1.2 深度残差网络 | 第37-38页 |
| 3.2 基于门控卷积神经网络的语义关系分类模型 | 第38-43页 |
| 3.2.1 模型整体结构 | 第38-40页 |
| 3.2.2 特征选取与特征映射 | 第40页 |
| 3.2.3 门控卷积残差模块 | 第40-41页 |
| 3.2.4 池化操作 | 第41-42页 |
| 3.2.5 分类器与目标函数 | 第42-43页 |
| 3.3 实验设计与结果分析 | 第43-53页 |
| 3.3.1 数据集及评价标准 | 第43-45页 |
| 3.3.2 实验设置 | 第45-47页 |
| 3.3.3 实验结果与分析 | 第47-53页 |
| 3.4 本章小结 | 第53-54页 |
| 4 融合依存关系的门控卷积神经网络语义关系分类方法 | 第54-67页 |
| 4.1 相关概念简介 | 第54-56页 |
| 4.1.1 依存句法分析 | 第54-55页 |
| 4.1.2 最短依存路径 | 第55-56页 |
| 4.2 融合依存句法特征的门控卷积神经网络语义关系分类模型 | 第56-61页 |
| 4.2.1 模型整体结构 | 第56-59页 |
| 4.2.2 特征选取与特征映射 | 第59页 |
| 4.2.3 特征提取与特征融合 | 第59-61页 |
| 4.2.4 分类器与目标函数 | 第61页 |
| 4.3 实验设计与结果分析 | 第61-65页 |
| 4.3.1 实验设置 | 第62页 |
| 4.3.2 实验结果与分析 | 第62-65页 |
| 4.4 本章小结 | 第65-67页 |
| 5 结论 | 第67-69页 |
| 5.1 总结 | 第67-68页 |
| 5.2 展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第74-76页 |
| 学位论文数据集 | 第76页 |
