| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 本文的结构 | 第12-13页 |
| 第二章 词的分布式表示研究 | 第13-31页 |
| 2.1 表示学习的研究意义 | 第13-14页 |
| 2.2 两种分布式表示概念辨析 | 第14-15页 |
| 2.3 神经网络概率语言模型 | 第15-18页 |
| 2.4 word2vec词向量模型研究 | 第18-21页 |
| 2.4.1 概率基础知识 | 第18-19页 |
| 2.4.2 Continuous Bag of Words Model | 第19-20页 |
| 2.4.3 Skip-gram Model | 第20-21页 |
| 2.5 word2vec词向量模型训练策略 | 第21-26页 |
| 2.5.1 Hierarchical Softmax | 第21-25页 |
| 2.5.2 negative sampling | 第25-26页 |
| 2.6 多义词向量模型研究 | 第26-28页 |
| 2.7 本章小结 | 第28-31页 |
| 第三章 分布式表示的优化方法 | 第31-43页 |
| 3.1 融合窗口距离与语义模糊的模型改进 | 第31-33页 |
| 3.2 融合局部信息与全局信息的模型改进 | 第33-36页 |
| 3.2.1 融合全局上下文模型 | 第33-34页 |
| 3.2.2 句向量及段向量模型 | 第34-36页 |
| 3.3 融合多特性的模型改进 | 第36-37页 |
| 3.4 多特征融合模型实验结果及分析 | 第37-40页 |
| 3.5 多特性融合模型对于语义影响验证 | 第40-42页 |
| 3.5.1 传统词向量的语义问题 | 第40-41页 |
| 3.5.2 多特性融合模型反义区分能力实验分析 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 多义词向量的改进方法 | 第43-57页 |
| 4.1 改进算法的理论基础研究 | 第43-50页 |
| 4.1.1 极大似然估计方法 | 第43-45页 |
| 4.1.2 期望最大化算法 | 第45-48页 |
| 4.1.3 梯度求解方法 | 第48-49页 |
| 4.1.4 期望最大化模型的在线学习 | 第49-50页 |
| 4.2 多义词向量模型改进 | 第50-53页 |
| 4.2.1 Online-EM多义词向量模型 | 第50-52页 |
| 4.2.2 多特性融合的多义词优化模型 | 第52-53页 |
| 4.3 多义词优化的实验结果及分析 | 第53-54页 |
| 4.4 本章小结 | 第54-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57页 |
| 5.2 展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-65页 |
| 攻读硕士学位期间发表的学术论文目录 | 第65页 |