| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-15页 |
| ·引言 | 第10-11页 |
| ·本文研究的意义和目的 | 第11-13页 |
| ·语言模型简介 | 第11-12页 |
| ·基于类的语言模型的研究现状 | 第12-13页 |
| ·本文工作 | 第13-15页 |
| ·本文主要工作 | 第13-14页 |
| ·本文组织结构及内容安排 | 第14-15页 |
| 第二章 语言模型的理论基础 | 第15-28页 |
| ·引言 | 第15页 |
| ·基于规则的语言模型 | 第15-16页 |
| ·统计语言模型 | 第16-20页 |
| ·N-gram语言模型介绍 | 第16-19页 |
| ·语言模型的评价准则 | 第19-20页 |
| ·平滑算法 | 第20-26页 |
| ·Laplace法则 | 第22页 |
| ·绝对折扣平滑(Absolute Discounting) | 第22-23页 |
| ·Lidstone法则 | 第23-24页 |
| ·Good-Turing估计 | 第24页 |
| ·Kaze Backoff | 第24-25页 |
| ·混合语言模型 | 第25-26页 |
| ·数据扩充思想 | 第26页 |
| ·数据聚类思想 | 第26-27页 |
| ·本章小结 | 第27-28页 |
| 第三章 传统的基于类的语言模型 | 第28-44页 |
| ·引言 | 第28页 |
| ·传统基于类的语言模型 | 第28-29页 |
| ·聚类方法介绍 | 第29-31页 |
| ·预测性聚类 | 第30-31页 |
| ·条件聚类 | 第31页 |
| ·联合聚类 | 第31页 |
| ·软判决聚类模型 | 第31-33页 |
| ·传统基于类的语言模型算法介绍 | 第33-35页 |
| ·实验结果与分析 | 第35-43页 |
| ·实验工具介绍 | 第35-39页 |
| ·实验结果 | 第39-43页 |
| ·本章小结 | 第43-44页 |
| 第四章 基于语义相似度的词类语言模型 | 第44-51页 |
| ·引言 | 第44页 |
| ·基于语义相似度的词类语言模型 | 第44-47页 |
| ·基于语义相似度的词类语言模型聚类算法 | 第47页 |
| ·实验结果与分析 | 第47-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于潜在主题分析的词类语言模型 | 第51-60页 |
| ·引言 | 第51页 |
| ·LDA模型介绍 | 第51-54页 |
| ·聚类算法介绍 | 第54-55页 |
| ·Gibbs抽样工具介绍 | 第55页 |
| ·实验结果与分析 | 第55-59页 |
| ·本章小结 | 第59-60页 |
| 第六章 结论和展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
| 攻读学位期间发表的学术论文目录 | 第65页 |