| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和研究意义 | 第11-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 问答系统体系结构 | 第13-14页 |
| 1.2.2 问答系统研究现状 | 第14-15页 |
| 1.2.3 问句分类研究现状 | 第15-17页 |
| 1.3 论文主要工作和创新 | 第17页 |
| 1.4 论文组织结构 | 第17-18页 |
| 1.5 本章小结 | 第18-19页 |
| 第二章 相关理论与技术研究 | 第19-35页 |
| 2.1 中文问句分类方法 | 第19-26页 |
| 2.1.1 数据预处理 | 第19-21页 |
| 2.1.2 文本的表示 | 第21-22页 |
| 2.1.3 特征选择 | 第22-24页 |
| 2.1.4 问句分类方法 | 第24-26页 |
| 2.2 基于神经网络问句模型分类方法 | 第26-31页 |
| 2.2.1 词向量 | 第26-27页 |
| 2.2.2 人工神经网络 | 第27-29页 |
| 2.2.3 BP神经网络 | 第29-30页 |
| 2.2.4 递归神经网络 | 第30页 |
| 2.2.5 循环神经网络 | 第30-31页 |
| 2.3 卷积神经网络 | 第31-34页 |
| 2.3.1 CNN基本结构 | 第32-33页 |
| 2.3.2 卷积神经网络核心技术 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 基于词向量学习和动态多池卷积神经网络问句分类方法 | 第35-47页 |
| 3.1 基于词向量学习问句分类方法 | 第35-39页 |
| 3.1.1 词向量学习 | 第35页 |
| 3.1.2 CBOW模型 | 第35-37页 |
| 3.1.3 Skip-gram模型 | 第37-38页 |
| 3.1.4 HierarchicalSoftmax | 第38页 |
| 3.1.5 更新神经网络参数 | 第38-39页 |
| 3.1.6 模型选择 | 第39页 |
| 3.1.7 词向量学习的优点 | 第39页 |
| 3.2 基于DMCNN问句分类方法 | 第39-45页 |
| 3.2.1 动态多池化卷积神经网络 | 第40-42页 |
| 3.2.2 宽卷积 | 第42-43页 |
| 3.2.3 动态多池化 | 第43-44页 |
| 3.2.4 非线性特征映射函数 | 第44页 |
| 3.2.5 多重特征映射 | 第44页 |
| 3.2.6 折叠 | 第44-45页 |
| 3.3 DMCNN优点 | 第45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 实验设置与实验结果分析 | 第47-55页 |
| 4.1 数据准备 | 第47页 |
| 4.2 数据预处理 | 第47页 |
| 4.3 评价度量 | 第47-48页 |
| 4.4 实验设计与结果分析 | 第48-54页 |
| 4.4.1 实验环境配置 | 第48页 |
| 4.4.2 实验参数设置 | 第48-49页 |
| 4.4.3 实验设计与结果分析 | 第49-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 总结与展望 | 第55-57页 |
| 5.1 论文工作总结 | 第55-56页 |
| 5.2 未来工作展望 | 第56-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 附录A 攻读硕士学位期间发表论文与申请软件著作权 | 第63-65页 |
| 附录B 攻读学位期间参与完成的科研成果 | 第65页 |