| 中文摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 论文的组织安排 | 第14-16页 |
| 第二章 词表示策略 | 第16-28页 |
| 2.1 词表示 | 第16页 |
| 2.2 词的0-1表示 | 第16页 |
| 2.3 传统分布式的词表示策略 | 第16-20页 |
| 2.3.1 LSI模型(Latent Sematic Indexing) | 第16-17页 |
| 2.3.2 pLSI模型(Probabilistic latent sematic indexing) | 第17-18页 |
| 2.3.3 LDA模型(Latent Dirichlet Allocation) | 第18-19页 |
| 2.3.4 基于依存关系的语义空间模型 | 第19-20页 |
| 2.4 分布式词表示策略 | 第20-28页 |
| 2.4.1 神经语言模型(NLM) | 第21-23页 |
| 2.4.2 基于语言模型的递归神经网络(RNN LM) | 第23-24页 |
| 2.4.3 矩阵-向量递归神经网络(MV-RNN) | 第24-25页 |
| 2.4.4 深层神经网络语言模型(DNN LMs) | 第25-28页 |
| 第三章 分布式词表示的性质 | 第28-48页 |
| 3.1 词的分布式表示的数值分析 | 第28-34页 |
| 3.1.1 英文词的分布式表示的数值分析 | 第28-33页 |
| 3.1.2 汉语词的分布式表示的数值分析 | 第33-34页 |
| 3.2 词的分布式表示的理论推导 | 第34-43页 |
| 3.2.1 权值参数 | 第36-38页 |
| 3.2.2 词向量参数 | 第38-43页 |
| 3.3 词的分布式表示与LDA模型聚类对照 | 第43-48页 |
| 3.3.1 LDA模型的topic聚类实验 | 第43-44页 |
| 3.3.2 分布式词表示与LDA模型的聚类结果对比 | 第44-48页 |
| 第四章 分布式词表示在基本块识别任务上的应用 | 第48-56页 |
| 4.1 汉语基本块识别任务 | 第48-49页 |
| 4.2 分布式词表示用于基本块识别任务上的对比实验 | 第49-56页 |
| 4.2.1 实验设置 | 第49-50页 |
| 4.2.2 实验结果 | 第50-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 研究总结 | 第56-57页 |
| 5.2 研究展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 攻读学位期间取得的研究成果 | 第62-64页 |
| 致谢 | 第64-66页 |
| 个人简况及联系方式 | 第66-68页 |
| 承诺书 | 第68-70页 |
