| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状与发展趋势 | 第10-13页 |
| 1.2.1 深度学习在NLP中的应用 | 第10-11页 |
| 1.2.2 主题模型简介 | 第11-12页 |
| 1.2.3 问句相似度计算 | 第12-13页 |
| 1.3 论文主要工作和结构安排 | 第13-16页 |
| 1.3.1 论文主要工作 | 第13-14页 |
| 1.3.2 论文结构安排 | 第14-16页 |
| 第2章 相关理论及方法 | 第16-29页 |
| 2.1 LDA主题模型 | 第16-19页 |
| 2.1.1 LDA模型概述 | 第16-17页 |
| 2.1.2 Gibbs采样算法 | 第17-18页 |
| 2.1.3 LDA参数求解 | 第18-19页 |
| 2.2 神经网络语言模型与词向量 | 第19-25页 |
| 2.2.1 神经网络概率语言模型 | 第19-21页 |
| 2.2.2 word2vec模型 | 第21-25页 |
| 2.3 基于深度学习的文档向量化表示 | 第25-27页 |
| 2.3.1 句子向量化方法 | 第25-26页 |
| 2.3.2 文档向量化方法 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于CBOW的主题句子向量模型 | 第29-43页 |
| 3.1 主题句子向量模型的基本思想 | 第29-30页 |
| 3.2 基于CBOW的神经网络模型 | 第30-32页 |
| 3.3 基于Hierarchical Softmax的模型求解算法 | 第32-37页 |
| 3.3.1 梯度及Hierarchical Softmax参数计算 | 第32-36页 |
| 3.3.2 基于Hierarchical Softmax的训练算法 | 第36-37页 |
| 3.4 基于Negative Sampling的模型求解算法 | 第37-40页 |
| 3.4.1 梯度及Negative Sampling参数计算 | 第37-39页 |
| 3.4.2 基于Negative Sampling的训练算法 | 第39-40页 |
| 3.5 实现细节与优化 | 第40-41页 |
| 3.5.1 实现细节 | 第40页 |
| 3.5.2 近似计算与优化 | 第40-41页 |
| 3.6 相关实验 | 第41-42页 |
| 3.7 本章小结 | 第42-43页 |
| 第4章 基于SKIP-GRAM的主题句子向量模型 | 第43-50页 |
| 4.1 基于Skip-gram的神经网络模型 | 第43-44页 |
| 4.2 基于Hierarchical Softmax的模型求解算法 | 第44-47页 |
| 4.3 基于Negative Sampling的模型求解算法 | 第47-48页 |
| 4.4 相关实验 | 第48-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 基于主题句子向量模型的问句相似度计算 | 第50-55页 |
| 5.1 基于句子向量计算问句相似度计算 | 第50页 |
| 5.2 实验环境与数据集 | 第50-52页 |
| 5.2.1 实验环境 | 第51页 |
| 5.2.2 数据集介绍 | 第51-52页 |
| 5.3 问句相似度计算实验结果 | 第52-54页 |
| 5.3.1 评价指标 | 第52-53页 |
| 5.3.2 实验方法 | 第53页 |
| 5.3.3 实验结果 | 第53-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 攻读学位期间发表的论文与研究成果清单 | 第62-63页 |
| 致谢 | 第63页 |
