基于深度学习的语义推理技术
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 基于特征工程的国内外研究现状 | 第10-11页 |
| 1.2.2 基于深度学习的国内外研究现状 | 第11-14页 |
| 1.2.3 基于迁移学习的国内外研究现状 | 第14-15页 |
| 1.3 实验数据简介 | 第15-20页 |
| 1.3.2 数据集简介 | 第15-17页 |
| 1.3.3 评价标准 | 第17-18页 |
| 1.3.4 系统基线选择 | 第18-20页 |
| 1.4 本文的主要研究内容 | 第20-21页 |
| 1.4.1 问题定义 | 第20页 |
| 1.4.2 本文主要研究思路 | 第20-21页 |
| 1.5 本文的内容安排 | 第21-23页 |
| 第2章 基于长短期记忆网络的语义推理技术 | 第23-38页 |
| 2.1 引言 | 第23页 |
| 2.2 语义向量表示模型 | 第23-28页 |
| 2.2.1 循环神经网络 | 第23-25页 |
| 2.2.2 长短期记忆神经网络 | 第25-26页 |
| 2.2.3 基于长短期记忆神经网络的语义表示模型 | 第26-28页 |
| 2.3 语义推理关系模型 | 第28-30页 |
| 2.3.3 基于全连接的语义推理模型 | 第28-29页 |
| 2.3.4 基于双线性的语义推理模型 | 第29-30页 |
| 2.4 实验结果与分析 | 第30-37页 |
| 2.4.1 数据预处理 | 第30-31页 |
| 2.4.2 损失函数 | 第31-32页 |
| 2.4.3 模型优化及参数设置 | 第32-34页 |
| 2.4.4 模型实验结果与分析 | 第34-37页 |
| 2.5 本章小结 | 第37-38页 |
| 第3章 基于注意力机制的语义推理技术 | 第38-48页 |
| 3.1 引言 | 第38页 |
| 3.2 基于注意力机制的语义推理模型 | 第38-45页 |
| 3.2.1 注意力机制 | 第39-42页 |
| 3.2.2 基于序列注意力机制的语义推理模型 | 第42-43页 |
| 3.2.3 基于逐字注意力机制的语义推理模型 | 第43-44页 |
| 3.2.4 基于自身注意力机制的语义推理模型 | 第44-45页 |
| 3.3 实验结果与分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于迁移学习与模型融合的语义推理技术 | 第48-63页 |
| 4.1 引言 | 第48页 |
| 4.2 基于残差的语义推理网络 | 第48-50页 |
| 4.2.1 残差网络相关技术 | 第48-49页 |
| 4.2.2 融合残差网络语义推理模型 | 第49-50页 |
| 4.3 基于迁移学习的语义推理网络 | 第50-52页 |
| 4.3.1 迁移学习相关技术 | 第50-51页 |
| 4.3.2 融合迁移学习的语义推理模型 | 第51-52页 |
| 4.4 基于集成的语义推理网络 | 第52-56页 |
| 4.4.1 特征工程 | 第52-55页 |
| 4.4.3 集成的语义推理模型 | 第55-56页 |
| 4.5 实验结果与分析 | 第56-62页 |
| 4.5.1 模型实验结果与分析 | 第56-59页 |
| 4.5.2 迁移学习实验分析 | 第59-62页 |
| 4.6 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 攻读博士学位期间发表的论文及其它成果 | 第69-71页 |
| 致谢 | 第71页 |
