| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 问答系统处理数据源的方式 | 第11-12页 |
| 1.2.2 问答系统的答案生成反馈机制 | 第12-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文安排 | 第15-17页 |
| 第二章 基于神经网络的问答模型介绍 | 第17-29页 |
| 2.1 神经网络问答框架介绍 | 第17-19页 |
| 2.2 循环神经网络基本介绍 | 第19-21页 |
| 2.3 注意力机制模型介绍 | 第21-24页 |
| 2.4 传统神经网络问答模型具体实现方法 | 第24-28页 |
| 2.4.1 词向量表示 | 第25页 |
| 2.4.2 传统神经网络问答模型结构和具体实现 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 短文本主题模型 | 第29-41页 |
| 3.1 主题模型基本思想 | 第29-35页 |
| 3.1.1 LDA主题模型简介 | 第29-30页 |
| 3.1.2 LDA主题模型具体过程 | 第30-32页 |
| 3.1.3 吉布斯采样算法介绍 | 第32-35页 |
| 3.2 Twitter-LDA主题模型介绍 | 第35-36页 |
| 3.3 Twitter-LDA模型使用数据与实验 | 第36-40页 |
| 3.3.1 主题模型实验数据及文本预处理 | 第36-38页 |
| 3.3.2 主题模型训练以及实验结果 | 第38-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 融合主题的神经网络问答模型 | 第41-51页 |
| 4.1 传统神经网络问答模型特点及思考 | 第41-42页 |
| 4.2 融合Twitter-LDA的神经网络问答模型 | 第42-48页 |
| 4.2.1 将Twitter-LDA主题模型应用于问答的思路 | 第42-44页 |
| 4.2.2 融合主题的问答模型具体实现方法 | 第44-48页 |
| 4.3 神经网络主题问答模型实验 | 第48-50页 |
| 4.3.1 实验平台和问答语料预处理 | 第48-49页 |
| 4.3.2 深度神经网络训练过程 | 第49-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 注意力机制增强的主题问答模型 | 第51-65页 |
| 5.1 主题问答模型的特点及优化方向 | 第51-52页 |
| 5.1.1 融入主题词时噪声分析 | 第51-52页 |
| 5.1.2 微博问答语料的特点 | 第52页 |
| 5.2 注意力机制增强的主题问答模型 | 第52-57页 |
| 5.2.1 语义编码的三种方式 | 第53-55页 |
| 5.2.2 主题问答模型注意力增强具体实施方法 | 第55-56页 |
| 5.2.3 模型进一步优化具体实施方法 | 第56-57页 |
| 5.3 注意力增强主题问答模型实验过程 | 第57-59页 |
| 5.3.1 实验具体方法及优化 | 第57-58页 |
| 5.3.2 BeamSearch搜索算法 | 第58-59页 |
| 5.4 实验结果对比及分析 | 第59-64页 |
| 5.4.1 自动评价指标 | 第60-61页 |
| 5.4.2 人工评价指标 | 第61-64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 全文总结 | 第65页 |
| 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 攻读硕士学位期间取得的研究成果 | 第70-71页 |
| 致谢 | 第71-72页 |
| 附表 | 第72页 |