摘要 | 第4-6页 |
ABSTRACT | 第6-7页 |
第1章 绪论 | 第14-35页 |
1.1 课题背景及意义 | 第14-17页 |
1.1.1 课题背景 | 第14-15页 |
1.1.2 课题意义 | 第15-17页 |
1.2 研究现状与分析 | 第17-32页 |
1.2.1 分布表示 | 第17-22页 |
1.2.2 跨语言分布表示学习 | 第22-24页 |
1.2.3 基于分布表示的自然语言处理 | 第24-30页 |
1.2.4 基于分布表示的迁移学习 | 第30-32页 |
1.3 本文的研究内容及章节安排 | 第32-35页 |
第2章 基于双语资源的词义表示学习 | 第35-51页 |
2.1 引言 | 第35-36页 |
2.2 背景与相关工作 | 第36-38页 |
2.2.1 基于循环神经网络语言模型的分布表示学习 | 第36-37页 |
2.2.2 面向多义词的分布表示学习 | 第37-38页 |
2.3 基于双语数据的词义表示学习方法 | 第38-41页 |
2.3.1 翻译词抽取 | 第39页 |
2.3.2 翻译词聚类 | 第39-41页 |
2.3.3 跨语言词义映射 | 第41页 |
2.4 词义分布表示的应用 | 第41-44页 |
2.5 实验与分析 | 第44-50页 |
2.5.1 实验设置 | 第44-45页 |
2.5.2 中文多义词相似度评测集以及评价结果 | 第45-47页 |
2.5.3 中文命名实体识别上的实验结果 | 第47-50页 |
2.6 本章小结 | 第50-51页 |
第3章 基于分布表示的跨语言依存句法分析 | 第51-73页 |
3.1 引言 | 第51-52页 |
3.2 背景与相关工作 | 第52-54页 |
3.2.1 依存句法分析 | 第52-53页 |
3.2.2 跨语言依存句法分析 | 第53-54页 |
3.3 基于神经网络的依存句法分析 | 第54-56页 |
3.4 跨语言词汇表示学习 | 第56-62页 |
3.4.1 双语词汇分布表示学习 | 第56-60页 |
3.4.2 多语词汇分布表示学习 | 第60-62页 |
3.4.3 多语言词聚类表示学习 | 第62页 |
3.5 实验与分析 | 第62-72页 |
3.5.1 实验设置 | 第62-63页 |
3.5.2 单源语言迁移学习实验 | 第63-68页 |
3.5.3 多源语言迁移学习实验 | 第68-69页 |
3.5.4 弱监督条件下的目标语言自适应 | 第69-72页 |
3.6 本章小结 | 第72-73页 |
第4章 基于深度多任务学习的多类型树库融合 | 第73-88页 |
4.1 引言 | 第73-75页 |
4.2 背景与相关工作 | 第75-77页 |
4.2.1 面向依存句法分析的资源融合方法 | 第75-76页 |
4.2.2 基于神经网络的多任务迁移学习 | 第76-77页 |
4.3 基于长短时记忆网络的依存句法分析模型 | 第77-80页 |
4.4 基于深度多任务学习的树库融合框架 | 第80-82页 |
4.4.1 参数共享 | 第81页 |
4.4.2 训练过程 | 第81-82页 |
4.5 实验与分析 | 第82-87页 |
4.5.1 实验设置 | 第82-83页 |
4.5.2 跨语言通用树库融合实验结果 | 第83-85页 |
4.5.3 单语异构树库融合实验结果 | 第85-87页 |
4.6 本章小结 | 第87-88页 |
第5章 面向语义角色标注与关系分类的统一模型 | 第88-103页 |
5.1 引言 | 第88-90页 |
5.2 背景与相关工作 | 第90-91页 |
5.2.1 语义角色标注 | 第90-91页 |
5.2.2 关系分类 | 第91页 |
5.3 问题定义 | 第91-92页 |
5.4 基于神经网络的统一模型 | 第92-95页 |
5.4.1 词汇语义特征表示 | 第92-93页 |
5.4.2 全局上下文表示 | 第93-94页 |
5.4.3 句法路径表示 | 第94页 |
5.4.4 基于整数线性规划的后推断 | 第94-95页 |
5.5 多任务学习 | 第95-97页 |
5.6 实验与分析 | 第97-101页 |
5.6.1 实验设置 | 第97-99页 |
5.6.2 语义角色标注实验结果 | 第99-101页 |
5.6.3 关系分类实验结果 | 第101页 |
5.7 本章小结 | 第101-103页 |
结论 | 第103-106页 |
参考文献 | 第106-128页 |
攻读博士学位期间发表的论文及其他成果 | 第128-131页 |
致谢 | 第131-133页 |
个人简历 | 第133-134页 |