神经网络在新闻标题生成中的研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 抽取式单文档自动文本摘要 | 第14-16页 |
| 1.2.2 摘要式单文档自动文本摘要 | 第16-17页 |
| 1.2.3 多文档自动文本摘要 | 第17-18页 |
| 1.2.4 自动文本摘要的评价方法 | 第18页 |
| 1.3 论文组织结构 | 第18-20页 |
| 2 相关知识介绍 | 第20-33页 |
| 2.1 自动文本摘要的表示 | 第20-21页 |
| 2.2 循环神经网络 | 第21-27页 |
| 2.2.1 长短时记忆单元 | 第22-24页 |
| 2.2.2 门控循环单元 | 第24-25页 |
| 2.2.3 双向循环神经网络 | 第25-27页 |
| 2.3 带注意力机制的序列到序列模型 | 第27-31页 |
| 2.3.1 解码器 | 第28-29页 |
| 2.3.2 编码器 | 第29-31页 |
| 2.4 摘要的生成 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 应用于新闻标题生成的神经网络 | 第33-43页 |
| 3.1 指针生成网络 | 第33-34页 |
| 3.2 覆盖机制 | 第34-35页 |
| 3.3 异质多任务机制 | 第35-37页 |
| 3.3.1 文本分类任务 | 第36-37页 |
| 3.4 文本摘要问题中的最小处理单元 | 第37-42页 |
| 3.4.1 词语级文本处理的优点 | 第37-38页 |
| 3.4.2 词语级文本处理的缺点 | 第38-39页 |
| 3.4.3 汉字级文本处理的优点 | 第39页 |
| 3.4.4 分层softmax | 第39-41页 |
| 3.4.5 负采样 | 第41-42页 |
| 3.5 本章小结 | 第42-43页 |
| 4 实验实现 | 第43-49页 |
| 4.1 语料和预处理 | 第43-44页 |
| 4.1.1 中文语料 | 第43页 |
| 4.1.2 英文语料 | 第43-44页 |
| 4.2 评价方法 | 第44-46页 |
| 4.2.1 文本分类的评价方法 | 第45-46页 |
| 4.3 模型实现细节 | 第46-47页 |
| 4.3.1 模型参数 | 第46页 |
| 4.3.2 模型训练 | 第46-47页 |
| 4.3.3 集束搜索 | 第47页 |
| 4.4 其他自动文本摘要系统 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 5 实验结果及分析 | 第49-54页 |
| 5.1 中文语料上的实验结果 | 第49-52页 |
| 5.2 英文语料上的实验结果 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 工作总结 | 第54-55页 |
| 6.2 未来研究方向 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第61-63页 |
| 学位论文数据集 | 第63页 |
