基于深度学习的智能问答系统设计
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 研究现状 | 第13-15页 |
| 1.2.1 深度学习在自然语言处理领域研究现状 | 第13-14页 |
| 1.2.2 问答系统研究现状 | 第14-15页 |
| 1.3 本文研究内容 | 第15-17页 |
| 1.3.1 面向特定领域的检索式问答 | 第15-16页 |
| 1.3.2 对话生成式问答 | 第16-17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 第2章 相关技术介绍 | 第18-26页 |
| 2.1 词向量 | 第18页 |
| 2.2 语言模型 | 第18-20页 |
| 2.3 循环神经网络 | 第20-21页 |
| 2.4 长短期记忆网络 | 第21-22页 |
| 2.5 卷积神经网络 | 第22-23页 |
| 2.6 注意力机制 | 第23-24页 |
| 2.7 本章小结 | 第24-26页 |
| 第3章 基于深度学习的智能问答模型设计 | 第26-44页 |
| 3.1 问句分类模型 | 第26-32页 |
| 3.1.1 Word2Vec模型 | 第26-27页 |
| 3.1.2 双向长短期记忆网络 | 第27-28页 |
| 3.1.3 Softmax函数回归 | 第28-29页 |
| 3.1.4 问句分类模型设计 | 第29-31页 |
| 3.1.5 实验与分析 | 第31-32页 |
| 3.2 句子相似度度量模型 | 第32-38页 |
| 3.2.1 CNN的卷积与池化操作 | 第33-34页 |
| 3.2.2 基于CNN的句子表示模型分析 | 第34-35页 |
| 3.2.3 句子相似度度量模型设计 | 第35-36页 |
| 3.2.4 实验与分析 | 第36-38页 |
| 3.3 对话生成模型 | 第38-43页 |
| 3.3.1 seq2seq模型 | 第38-39页 |
| 3.3.2 基于seq2seq的生成模型分析 | 第39-40页 |
| 3.3.3 对话生成模型设计 | 第40-41页 |
| 3.3.4 实验与分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 智能问答系统设计与实现 | 第44-52页 |
| 4.1 问答系统分类 | 第44-45页 |
| 4.2 系统设计思想 | 第45-46页 |
| 4.3 系统架构设计 | 第46页 |
| 4.4 系统实现 | 第46-49页 |
| 4.4.1 语料收集 | 第47-48页 |
| 4.4.2 系统模型训练 | 第48页 |
| 4.4.3 系统客户端设计 | 第48-49页 |
| 4.5 系统测试与评价 | 第49-51页 |
| 4.6 本章小结 | 第51-52页 |
| 总结 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 攻读硕士学位期间发表的学术论文 | 第58-60页 |
| 致谢 | 第60页 |
