基于同异性迁移学习的短文本分类技术研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-12页 |
| 1.2 研究现状 | 第12-17页 |
| 1.2.1 迁移学习概述 | 第13-15页 |
| 1.2.2 基于迁移学习的文本建模技术概述 | 第15-17页 |
| 1.3 研究内容及章节安排 | 第17-20页 |
| 1.3.1 本文研究内容 | 第17页 |
| 1.3.2 本文章节安排 | 第17-20页 |
| 第二章 基础知识 | 第20-30页 |
| 2.1 词的分布式表示技术 | 第20-22页 |
| 2.2 文本相似度度量技术 | 第22-24页 |
| 2.3 基于循环神经网络的文本生成技术 | 第24-27页 |
| 2.4 基于卷积神经网络的文本分类技术 | 第27-28页 |
| 2.5 小结 | 第28-30页 |
| 第三章 基于同异性迁移学习的虚拟样本生成模型 | 第30-54页 |
| 3.1 问题引入 | 第30-32页 |
| 3.2 模型框架 | 第32-33页 |
| 3.3 基于WEMD的领域选择技术 | 第33-36页 |
| 3.4 基于模板的虚拟样本生成技术 | 第36-37页 |
| 3.5 基于编解码的虚拟样本生成技术 | 第37-52页 |
| 3.5.1 MGRU模型 | 第38-42页 |
| 3.5.2 BDPG模型 | 第42-49页 |
| 3.5.3 BDPG的变体模型 | 第49-52页 |
| 3.6 小结 | 第52-54页 |
| 第四章 实验设计与分析 | 第54-66页 |
| 4.1 数据集及预处理 | 第54-55页 |
| 4.2 评价指标 | 第55-56页 |
| 4.2.1 文本生成指标 | 第55-56页 |
| 4.2.2 文本分类指标 | 第56页 |
| 4.3 模型设置 | 第56-57页 |
| 4.3.1 参数设置 | 第56-57页 |
| 4.3.2 分类对比模型 | 第57页 |
| 4.4 实验结果及评价 | 第57-64页 |
| 4.4.1 可行性评估 | 第57-58页 |
| 4.4.2 领域选择技术评价 | 第58-60页 |
| 4.4.3 虚拟样本数据质量评价 | 第60-61页 |
| 4.4.4 虚拟样本生成技术评价 | 第61-63页 |
| 4.4.5 整体评价 | 第63-64页 |
| 4.5 小结 | 第64-66页 |
| 第五章 基于迁移学习的智能客服系统 | 第66-74页 |
| 5.1 需求分析 | 第66-67页 |
| 5.2 系统设计 | 第67-70页 |
| 5.2.1 概要设计 | 第67-68页 |
| 5.2.2 详细设计 | 第68-70页 |
| 5.3 功能演示 | 第70-72页 |
| 5.3.1 文件存储 | 第70页 |
| 5.3.2 分类模型训练 | 第70页 |
| 5.3.3 迁移学习前问答效果 | 第70-71页 |
| 5.3.4 迁移学习模型使用 | 第71-72页 |
| 5.3.5 迁移学习后问答效果 | 第72页 |
| 5.4 小结 | 第72-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 本文工作总结 | 第74页 |
| 6.2 未来研究展望 | 第74-76页 |
| 参考文献 | 第76-82页 |
| 致谢 | 第82-84页 |
| 作者攻读学位期间发表的学术论文目录 | 第84页 |
