| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究的目的和意义 | 第12-13页 |
| 1.2 相关研究概述 | 第13-17页 |
| 1.2.1 国外研究现状 | 第13-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 本文的主要工作 | 第17-18页 |
| 1.4 本文的组织结构 | 第18页 |
| 1.5 本章小结 | 第18-19页 |
| 第2章 相关技术和理论 | 第19-34页 |
| 2.1 词向量 | 第19-20页 |
| 2.2 贝叶斯公式在自然语言中的应用 | 第20页 |
| 2.3 n-gram模型 | 第20-21页 |
| 2.4 神经网络模型 | 第21-23页 |
| 2.5 k-means聚类算法 | 第23-24页 |
| 2.6 sigmoid函数 | 第24-25页 |
| 2.7 逻辑回归 | 第25-26页 |
| 2.8 哈夫曼树和哈夫曼编码 | 第26-27页 |
| 2.8.1 哈夫曼树的构造 | 第26页 |
| 2.8.2 哈夫曼编码 | 第26-27页 |
| 2.9 word2vec框架 | 第27-33页 |
| 2.9.1 基于Hierachical Softmax的设计 | 第27-31页 |
| 2.9.2 基于Negative Sapmling的设计 | 第31-33页 |
| 2.10 本章小结 | 第33-34页 |
| 第3章 基于word2vec的改进算法和增量算法 | 第34-45页 |
| 3.1 CBOW模型的改进 | 第34-37页 |
| 3.1.1 Hierachical Softmax下的改进 | 第35-36页 |
| 3.1.2 Negative Sampling下的改进 | 第36-37页 |
| 3.2 Skip-gram模型的改进 | 第37-40页 |
| 3.2.1 Hierachical Softmax下的改进 | 第39-40页 |
| 3.2.2 Negative Sapmling下的改进 | 第40页 |
| 3.3 增量运算的设计 | 第40-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第4章 系统设计与实验结果分析 | 第45-61页 |
| 4.1 数据获取和对照集 | 第45-46页 |
| 4.1.1 数据获取 | 第45页 |
| 4.1.2 对照集的选取和结果质量的判断 | 第45-46页 |
| 4.2 实验环境和新模型训练参数的选取 | 第46-51页 |
| 4.2.1 模型训练窗口大小的选取 | 第46-49页 |
| 4.2.2 训练模型词向量维度的选取 | 第49-51页 |
| 4.2.3 关于训练模型实验参数的说明 | 第51页 |
| 4.3 新模型和原有模型的比较 | 第51-54页 |
| 4.3.1 运算速度比较 | 第51-52页 |
| 4.3.2 向量结果比较 | 第52-53页 |
| 4.3.3 关于新旧模型比较的结论 | 第53-54页 |
| 4.4 增量计算的实验 | 第54-56页 |
| 4.4.1 消耗时间对比 | 第54-55页 |
| 4.4.2 准确度对比 | 第55-56页 |
| 4.4.3 关于增量模型的实验结论 | 第56页 |
| 4.5 对于中文词汇的处理 | 第56-60页 |
| 4.6 本章小结 | 第60-61页 |
| 结论 | 第61-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68页 |
