| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 1.2.1 依存句法分析 | 第10-11页 |
| 1.2.2 词语向量化表示 | 第11-12页 |
| 1.2.3 短文本语义相似性度计算 | 第12-13页 |
| 1.3 论文结构安排 | 第13-16页 |
| 第2章 相关理论及方法 | 第16-28页 |
| 2.1 全局结构预测模型 | 第16-17页 |
| 2.2 平衡感知器 | 第17-18页 |
| 2.3 依存句法理论 | 第18-23页 |
| 2.3.1 依存句法理论以及常用树库 | 第19-20页 |
| 2.3.2 依存句法分析常用方法 | 第20-23页 |
| 2.3.3 依存句法分析常用评价方法 | 第23页 |
| 2.4 神经网络语言模型 | 第23-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于全局结构预测模型的转移依存句法分析 | 第28-45页 |
| 3.1 结构化感知器与Beam Search | 第28-31页 |
| 3.1.1 特征函数的分解 | 第28-29页 |
| 3.1.2 基于Beam Search的解码过程 | 第29-31页 |
| 3.2 训练算法 | 第31-33页 |
| 3.3 转移集合以及特征选择 | 第33-41页 |
| 3.3.1 转移集合的选择 | 第33-35页 |
| 3.3.2 特征集合选择 | 第35-38页 |
| 3.3.3 词性集合的选择 | 第38-41页 |
| 3.4 实验结果 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第4章 短文本语义相似度计算 | 第45-61页 |
| 4.1 基于神经网络的特征向量化模型 | 第45-47页 |
| 4.2 深度SkipGram语义向量化模型（DSV） | 第47-49页 |
| 4.3 深度SkipPhrase语义向量化模型（DSNV） | 第49-50页 |
| 4.4 深度依存特征语义向量化模型（DDTV） | 第50-52页 |
| 4.5 多特征融合模型 | 第52-54页 |
| 4.6 无监督训练语料的预处理 | 第54-57页 |
| 4.6.1 新词发现 | 第54-55页 |
| 4.6.2 中文分词 | 第55-56页 |
| 4.6.3 词性标注与依存句法分析 | 第56-57页 |
| 4.7 相关实验 | 第57-60页 |
| 4.8 本章小结 | 第60-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-68页 |
| 攻读学位期间发表的论文与研究成果清单 | 第68-69页 |
| 致谢 | 第69页 |