| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 传统文本相似度识别方法研究现状 | 第12-16页 |
| 1.2.2 基于深度学习的文本相似度识别方法研究现状 | 第16-17页 |
| 1.3 本文的内容安排 | 第17-19页 |
| 第2章 基于传统方法的文本相似度识别 | 第19-28页 |
| 2.1 引言 | 第19-20页 |
| 2.2 数据集简介 | 第20-21页 |
| 2.3 特征工程 | 第21-25页 |
| 2.3.1 文字相似度 | 第21-22页 |
| 2.3.2 语法相似度 | 第22页 |
| 2.3.3 基于WordNet的相似度 | 第22-24页 |
| 2.3.4 潜在语义相似度(Latent Semantic Similarity) | 第24-25页 |
| 2.4 实验结果与数据分析 | 第25-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于LSTM的文本相似度识别 | 第28-47页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关深度学习技术 | 第29-39页 |
| 3.2.1 双向LSTM | 第29-33页 |
| 3.2.2 神经网络激活函数 | 第33-34页 |
| 3.2.3 Dropout原理 | 第34-36页 |
| 3.2.4 早终止策略 | 第36-37页 |
| 3.2.5 RMSProp优化算法 | 第37页 |
| 3.2.6 暹罗网络结构 | 第37-38页 |
| 3.2.7 常见的深度学习框架简介 | 第38-39页 |
| 3.3 数据预处理及词表建立 | 第39页 |
| 3.4 词向量表示 | 第39-41页 |
| 3.4.1 Word2Vec词向量 | 第39-41页 |
| 3.4.2 GloVe词向量 | 第41页 |
| 3.5 基于Siamese LSTM的句子编码模型 | 第41-44页 |
| 3.5.1 模型简介 | 第41-43页 |
| 3.5.2 模型训练及参数设置 | 第43-44页 |
| 3.6 实验结果 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第4章 融合Attention机制的文本相似度识别 | 第47-54页 |
| 4.1 引言 | 第47-49页 |
| 4.2 融合Attention机制的文本相似度识别 | 第49-52页 |
| 4.2.1 融合Attention机制的Siamese LSTM模型 | 第49-51页 |
| 4.2.2 模型训练细节 | 第51页 |
| 4.2.3 实验结果 | 第51-52页 |
| 4.3 多模型融合策略 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第5章 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |
