| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景与意义 | 第10-15页 |
| 1.1.1 背景 | 第11-14页 |
| 1.1.2 意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 本文的主要研究内容 | 第16-18页 |
| 1.4 本文的组织结构 | 第18-19页 |
| 第二章 相关理论与技术 | 第19-31页 |
| 2.1 问答系统 | 第19-23页 |
| 2.1.1 问题分析 | 第20-21页 |
| 2.1.2 信息检索 | 第21-22页 |
| 2.1.3 答案评估 | 第22-23页 |
| 2.2 神经网络与深度学习 | 第23-28页 |
| 2.2.1 传统神经网络 | 第23-24页 |
| 2.2.2 深度神经网络 | 第24-28页 |
| 2.3 传统相似度计算方法 | 第28-31页 |
| 2.3.1BM25 | 第28-29页 |
| 2.3.2 向量空间模型 | 第29-30页 |
| 2.3.3 语言模型 | 第30-31页 |
| 第三章 问题分析和查询扩展 | 第31-42页 |
| 3.1 问题统计与分析 | 第31-34页 |
| 3.2 查询扩展 | 第34-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 面向问答系统的问题相似度计算模型 | 第42-55页 |
| 4.1 基于句法解析和Word2Vec的问题相似度计算模型 | 第42-46页 |
| 4.1.1 句法解析 | 第42-43页 |
| 4.1.2 Word2Vec | 第43-44页 |
| 4.1.3 SPWV模型 | 第44-46页 |
| 4.2 基于双向LSTM的问题相似度计算模型 | 第46-50页 |
| 4.2.1 长短期记忆神经网络 | 第46-47页 |
| 4.2.2 数据预处理 | 第47-48页 |
| 4.2.3 文本语义表示模型 | 第48-49页 |
| 4.2.4 文本语义匹配模型 | 第49-50页 |
| 4.3 实验结果与讨论 | 第50-54页 |
| 4.3.1 实验环境 | 第50-51页 |
| 4.3.2 数据集选择 | 第51-52页 |
| 4.3.3 实验结果 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 结论与展望 | 第55-56页 |
| 5.1 本文研究工作总结 | 第55-56页 |
| 5.2 进一步的工作和建议 | 第56页 |
| 结束语 | 第56-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者在学期间取得的学术成果 | 第62页 |