领域问答系统问句相似度计算方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-31页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-28页 |
| 1.2.1 问答系统 | 第13-19页 |
| 1.2.2 问句相似度计算 | 第19-23页 |
| 1.2.3 形式概念分析 | 第23-28页 |
| 1.3 主要研究内容 | 第28-29页 |
| 1.4 论文组织结构 | 第29-31页 |
| 第2章 知识辅助的领域问句分类方法 | 第31-47页 |
| 2.1 审计方法知识与问句分类 | 第31-34页 |
| 2.1.1 审计方法知识 | 第31-33页 |
| 2.1.2 问句分类 | 第33-34页 |
| 2.2 主动学习算法与支持向量机算法 | 第34-37页 |
| 2.2.1 主动学习算法 | 第34-35页 |
| 2.2.2 SVM | 第35-37页 |
| 2.3 基于主动学习SVM的问句分类算法 | 第37-42页 |
| 2.3.1 计算最优超平面 | 第37-38页 |
| 2.3.2 支持向量机求解 | 第38-41页 |
| 2.3.3 算法设计 | 第41-42页 |
| 2.4 实验及结果分析 | 第42-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第3章 基于FCA的领域问句相似度计算方法 | 第47-59页 |
| 3.1 问句相似度计算 | 第47-48页 |
| 3.2 形式概念分析方法 | 第48-51页 |
| 3.2.1 概念格与形式概念分析 | 第48-50页 |
| 3.2.2 概念格构造算法 | 第50-51页 |
| 3.3 基于FCA的相似度计算 | 第51-54页 |
| 3.3.1 概念向量提取算法 | 第51-53页 |
| 3.3.2 概念向量相似度计算方法 | 第53-54页 |
| 3.4 实验结果与分析 | 第54-58页 |
| 3.4.1 实验数据和方法 | 第54页 |
| 3.4.2 实验结果及分析 | 第54-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第4章 本体支持下的问句相似度计算方法 | 第59-75页 |
| 4.1 FCA与本体 | 第59-60页 |
| 4.2 本体支持下的相似度计算 | 第60-71页 |
| 4.2.1 领域本体与相似度图 | 第60-64页 |
| 4.2.2 FCA概念相似度 | 第64-66页 |
| 4.2.3 最大权匹配 | 第66-71页 |
| 4.3 实验结果与分析 | 第71-74页 |
| 4.4 本章小结 | 第74-75页 |
| 第5章 基于信息内容的问句相似度计算方法 | 第75-93页 |
| 5.1 信息内容计算 | 第75-77页 |
| 5.1.1 信息内容度量方法 | 第75-76页 |
| 5.1.2 FCA相似度计算与信息内容计算 | 第76-77页 |
| 5.2 基于信息内容的FCA相似度计算方法 | 第77-89页 |
| 5.2.1 信息内容度量方法 | 第78-80页 |
| 5.2.2 信息内容相似度 | 第80-85页 |
| 5.2.3 FCA概念的信息内容相似度 | 第85-89页 |
| 5.3 实验结果与分析 | 第89-92页 |
| 5.4 本章小结 | 第92-93页 |
| 结论 | 第93-95页 |
| 参考文献 | 第95-107页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第107-108页 |
| 致谢 | 第108-109页 |
| 个人简历 | 第109页 |
