| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景 | 第8页 |
| 1.2 国内外研究状况 | 第8-11页 |
| 1.2.1 国外研究状况 | 第8-10页 |
| 1.2.2 国内研究状况 | 第10-11页 |
| 1.3 本文主要工作 | 第11-12页 |
| 1.4 内容安排 | 第12页 |
| 1.5 本章小结 | 第12-14页 |
| 第2章 主观题自动评分相关理论 | 第14-22页 |
| 2.1 自然语言处理 | 第14页 |
| 2.2 自然语言处理的简介和应用 | 第14-15页 |
| 2.3 中文分词技术 | 第15-18页 |
| 2.3.1 LTP分词系统 | 第16页 |
| 2.3.2 ICTCLAS分词系统 | 第16-17页 |
| 2.3.3 THULAC分词系统 | 第17-18页 |
| 2.4 经典相似度匹配计算 | 第18-20页 |
| 2.4.1 VSM向量空间模型 | 第19页 |
| 2.4.2 TF-IDF空间向量模型 | 第19-20页 |
| 2.5 本章小结 | 第20-22页 |
| 第3章 评分系统的预处理工作 | 第22-29页 |
| 3.1 分词 | 第22-24页 |
| 3.1.1 分词工具引入 | 第22-23页 |
| 3.1.2 分词实验 | 第23-24页 |
| 3.2 主被动转换 | 第24-25页 |
| 3.3 词组处理 | 第25-27页 |
| 3.4 倾向性分析 | 第27页 |
| 3.5 本章小结 | 第27-29页 |
| 第4章 基于Word2Vec的相似度算法 | 第29-40页 |
| 4.1 Word2Vec简介 | 第29-32页 |
| 4.1.1 机器学习 | 第29-30页 |
| 4.1.2 Word2Vec的语言模型 | 第30页 |
| 4.1.3 n-gram模型 | 第30-31页 |
| 4.1.4 CBOW模型 | 第31-32页 |
| 4.1.5 Skip-gram模型 | 第32页 |
| 4.2 基于Hierarchical Softmax的模型 | 第32-34页 |
| 4.3 基于Negative Sampling的模型 | 第34-36页 |
| 4.4 算法设计与实现 | 第36-38页 |
| 4.4.1 词性分类 | 第36页 |
| 4.4.2 词性深度匹配计算 | 第36-38页 |
| 4.5 本章小结 | 第38-40页 |
| 第5章 评分系统的设计实现 | 第40-55页 |
| 5.1 系统需求分析 | 第40-42页 |
| 5.1.1 需求分析 | 第40页 |
| 5.1.2 填报流程 | 第40-42页 |
| 5.2 系统数据库 | 第42-47页 |
| 5.2.1 设计概述 | 第42页 |
| 5.2.2 用户信息表 | 第42-44页 |
| 5.2.3 考试信息表 | 第44-47页 |
| 5.3 系统实现 | 第47-51页 |
| 5.3.1 系统介绍和构架 | 第47-50页 |
| 5.3.2 系统实验环境 | 第50-51页 |
| 5.4 系统实例图 | 第51-53页 |
| 5.4.1 评分流程 | 第51-52页 |
| 5.4.2 实验结果 | 第52-53页 |
| 5.5 本章小结 | 第53-55页 |
| 结论与期望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 附录（攻读硕士学位参与的科研项目和成果） | 第63页 |