| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 本文选题背景及意义 | 第12-13页 |
| 1.2 国内外问答系统简介 | 第13-18页 |
| 1.2.1 问答系统历史 | 第13-14页 |
| 1.2.2 国外问答系统研究现状 | 第14-16页 |
| 1.2.3 国内问答系统研究现状 | 第16-17页 |
| 1.2.4 问答系统分类 | 第17-18页 |
| 1.3 本文研究及设计内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 中文自然语言处理相关方法研究 | 第20-34页 |
| 2.1 中文分词与词性标注 | 第20-25页 |
| 2.1.1 中文分词 | 第20-23页 |
| 2.1.2 词性标注 | 第23-24页 |
| 2.1.3 中文分词及词性标注实用工具 | 第24-25页 |
| 2.2 语句关键词提取 | 第25-28页 |
| 2.2.1 TF-IDF关键词提取方法 | 第25-26页 |
| 2.2.2 TopicModel关键词提取方法 | 第26-27页 |
| 2.2.3 TextRank关键词提取 | 第27-28页 |
| 2.3 语句相似度计算 | 第28-33页 |
| 2.3.1 基于向量空间模型的TF-IDF语句相似度计算方法 | 第28-29页 |
| 2.3.2 基于词语知识库的语句相似度计算方法 | 第29页 |
| 2.3.3 基于句法分析的语句相似度计算方法 | 第29-30页 |
| 2.3.4 基于句子形态的语句相似度算法 | 第30-32页 |
| 2.3.5 基于多特征融合的语句相似度计算方法 | 第32-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于Word2Vec和BM25的中文语句相似度计算方法 | 第34-45页 |
| 3.1 词句向量表达 | 第34-39页 |
| 3.1.1 Word2Vec词向量模型 | 第34-38页 |
| 3.1.2 基于词向量的语句表达 | 第38-39页 |
| 3.2 BM25关键字排序 | 第39-40页 |
| 3.3 基于逻辑回归的特征融合得分 | 第40-42页 |
| 3.4 数据集及测试结果 | 第42-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 基于深度神经网络的中文语句相似度计算方法 | 第45-61页 |
| 4.1 深度神经网络 | 第45-47页 |
| 4.2 基于CNN的语句相似度计算 | 第47-52页 |
| 4.2.1 卷积神经网络CNN | 第47-50页 |
| 4.2.2 语句相似度计算模型 | 第50-52页 |
| 4.3 基于LSTM模型的语句相似度计算 | 第52-58页 |
| 4.3.1 长短时神经记忆单元LSTM | 第53-55页 |
| 4.3.2 语句相似度计算模型 | 第55-58页 |
| 4.4 实验部分 | 第58-59页 |
| 4.4.1 实验数据 | 第58页 |
| 4.4.2 实验过程及结果 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 基于语句相似度计算的证书服务FAQ问答系统 | 第61-72页 |
| 5.1 项目需求与系统建设目标 | 第61-62页 |
| 5.2 数据抽取及FAQ问答数据库构造 | 第62-65页 |
| 5.3 问答系统架构设计 | 第65-67页 |
| 5.4 系统实现与测试 | 第67-70页 |
| 5.5 本章小结 | 第70-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 工作总结 | 第72页 |
| 6.2 研究展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78页 |
