基于深度学习的文本多标签预测及问答匹配方法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题研究背景和意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.2.1 文本多标签预测 | 第15-16页 |
| 1.2.2 问答匹配 | 第16-17页 |
| 1.3 本文研究工作 | 第17-18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第2章 问答抽取与深度学习介绍 | 第20-30页 |
| 2.1 问答抽取 | 第20-22页 |
| 2.2 深度学习 | 第22-29页 |
| 2.2.1 CNN模型 | 第23-25页 |
| 2.2.2 RNN模型 | 第25-28页 |
| 2.2.3 词向量 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 基于深度学习的文本多标签预测方法 | 第30-46页 |
| 3.1 基于长短时记忆网络的文本多标签预测方法 | 第30-33页 |
| 3.1.1 文本多标签预测模型的构建 | 第30-32页 |
| 3.1.2 预测策略及模型训练 | 第32-33页 |
| 3.2 融入标签及文本语义联系的多标签预测方法 | 第33-40页 |
| 3.2.1 融入标签语义关联 | 第33-36页 |
| 3.2.2 融入文本语义关联 | 第36-40页 |
| 3.3 实验 | 第40-44页 |
| 3.3.1 数据集与环境描述 | 第40-42页 |
| 3.3.2 数据统计及预处理 | 第42-43页 |
| 3.3.3 实验结果和分析 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 第4章 基于深度学习的问答匹配方法 | 第46-72页 |
| 4.1 基于循环卷积神经网络的问答匹配方法 | 第46-50页 |
| 4.1.1 循环卷积神经网络问答匹配模型的构建 | 第47-49页 |
| 4.1.2 语义特征融合及模型训练 | 第49-50页 |
| 4.2 基于Attention的深度问答匹配方法 | 第50-63页 |
| 4.2.1 Attention机制概述 | 第50-51页 |
| 4.2.2 词颗粒语义关注 | 第51-53页 |
| 4.2.3 短语颗粒语义关注 | 第53-63页 |
| 4.3 实验结果与分析 | 第63-71页 |
| 4.3.1 实验数据介绍 | 第63页 |
| 4.3.2 实验评价指标 | 第63-65页 |
| 4.3.3 数据预处理 | 第65-66页 |
| 4.3.4 实验结果与分析 | 第66-71页 |
| 4.4 本章小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 总结 | 第72-73页 |
| 5.2 展望 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 攻读学位期间发表的学术论文及参加科研情况 | 第79-80页 |
