基于复合神经网络的开放域问题分类方法研究与实现
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 本文的研究内容 | 第13页 |
| 1.3 本文的组织结构 | 第13-15页 |
| 第二章 相关技术研究 | 第15-39页 |
| 2.1 开放域问答系统问题分类方法 | 第15-25页 |
| 2.1.1 问题分类体系 | 第15-17页 |
| 2.1.2 问题特征抽取 | 第17-18页 |
| 2.1.3 问题分类模型 | 第18-24页 |
| 2.1.4 分类模型的比较 | 第24-25页 |
| 2.2 深度学习在自然语言方面的研究 | 第25-30页 |
| 2.2.1 深度学习分类 | 第25-26页 |
| 2.2.2 深度学习的发展 | 第26-27页 |
| 2.2.3 深度学习在NLP中的发展和应用 | 第27-30页 |
| 2.2.4 总结 | 第30页 |
| 2.3 语义泛化 | 第30-38页 |
| 2.3.1 上下位关系挖掘 | 第31-33页 |
| 2.3.2 Probase | 第33-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 基于复合神经网络的开放域问题分类 | 第39-47页 |
| 3.1 基于卷积神经网络的局部N-元特征提取 | 第39-40页 |
| 3.2 基于长短期记忆网络的文本高维特征建模方法 | 第40-43页 |
| 3.3 基于复合神经网络的开放域问题分类模型 | 第43-44页 |
| 3.4 实验和测评 | 第44-47页 |
| 3.4.1 数据集 | 第44页 |
| 3.4.2 词向量 | 第44-45页 |
| 3.4.3 实验结果及分析 | 第45-47页 |
| 第四章 基于概率本体库的问题语义特征泛化方法 | 第47-53页 |
| 4.1 Probase中的isA关系 | 第47-49页 |
| 4.2 基于Probase的语义泛化 | 第49-50页 |
| 4.3 替换规则 | 第50-51页 |
| 4.4 实验和测评 | 第51-53页 |
| 第五章 总结和展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-63页 |
| 作者在学期间取得的学术成果 | 第63页 |
