| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源背景及研究目的意义 | 第9-10页 |
| 1.2 相关工作的研究现状 | 第10-14页 |
| 1.2.1 文本分类的研究现状 | 第11-12页 |
| 1.2.2 序列标注的研究现状 | 第12-13页 |
| 1.2.3 答案选择的研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 论文主要组织结构 | 第15-17页 |
| 第2章 历史材料题问题分类 | 第17-32页 |
| 2.1 基于SVM的问题分类方法 | 第17-18页 |
| 2.2 基于CNN的问题分类模型 | 第18-24页 |
| 2.2.1 词向量 | 第18-20页 |
| 2.2.2 CNN模型介绍 | 第20-21页 |
| 2.2.3 基于CNN的问题分类模型 | 第21-22页 |
| 2.2.4 模型参数的初始化 | 第22-23页 |
| 2.2.5 正则化方法 | 第23-24页 |
| 2.3 基于LSTM的问题分类模型 | 第24-27页 |
| 2.3.1 LSTM模型介绍 | 第24-27页 |
| 2.3.2 基于LSTM的问题分类模型 | 第27页 |
| 2.4 问题分类对比实验 | 第27-31页 |
| 2.4.1 实验数据 | 第27-28页 |
| 2.4.2 评价指标 | 第28-30页 |
| 2.4.3 实验设置 | 第30-31页 |
| 2.4.4 实验结果对比分析 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 历史材料题问题成分抽取 | 第32-42页 |
| 3.1 基于条件随机场的问题成分抽取方法 | 第32-34页 |
| 3.2 基于BLSTM的问题成分抽取方法 | 第34-35页 |
| 3.2.1 BLSTM介绍 | 第34页 |
| 3.2.2 基于BLSTM的问题成分成分抽取模型 | 第34-35页 |
| 3.3 基于LSTM-CRF的问题成分抽取模型 | 第35-37页 |
| 3.3.1 LSTM-CRF模型介绍 | 第35-37页 |
| 3.3.2 基于LSTM-CRF的问题成分抽取模型 | 第37页 |
| 3.4 问题成分抽取对比实验 | 第37-41页 |
| 3.4.1 实验数据 | 第37-39页 |
| 3.4.2 评价指标 | 第39页 |
| 3.4.3 实验设置 | 第39-40页 |
| 3.4.4 实验结果分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 答案置信度排序 | 第42-51页 |
| 4.1 知识库中候选答案检索 | 第42页 |
| 4.2 基于深度学习的答案置信度计算模型框架 | 第42-44页 |
| 4.2.1 基于CNN的答案置信度计算模型 | 第42-43页 |
| 4.2.2 基于LSTM的答案选择排序模型 | 第43-44页 |
| 4.3 不同的置信度计算方法和损失函数对模型的影响 | 第44-47页 |
| 4.3.1 答案句置信度计算方法 | 第44-46页 |
| 4.3.2 模型的损失函数 | 第46-47页 |
| 4.4 相关模型对比实验 | 第47-50页 |
| 4.4.1 实验数据 | 第47-48页 |
| 4.4.2 评价指标 | 第48-49页 |
| 4.4.3 实验设置 | 第49页 |
| 4.4.4 实验结果分析 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第58-60页 |
| 致谢 | 第60页 |