| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 国际评测 | 第12-13页 |
| 1.2.2 基于规则的英文文本蕴含识别方法 | 第13页 |
| 1.2.3 基于传统机器学习的英文文本蕴含识别方法 | 第13-14页 |
| 1.2.4 基于深度学习的英文文本蕴含识别方法 | 第14页 |
| 1.3 本文工作和研究成果 | 第14-15页 |
| 1.4 本文结构 | 第15-17页 |
| 第二章 相关工作 | 第17-28页 |
| 2.1 自然语言处理技术 | 第17-21页 |
| 2.1.1 语言模型 | 第17-18页 |
| 2.1.2 词向量表示 | 第18-19页 |
| 2.1.3 词性标注 | 第19-20页 |
| 2.1.4 词形还原 | 第20-21页 |
| 2.2 深度学习方法 | 第21-25页 |
| 2.2.1 前馈神经网络 | 第22页 |
| 2.2.2 长短时记忆网络 | 第22-23页 |
| 2.2.3 卷积神经网络 | 第23-24页 |
| 2.2.4 注意力机制 | 第24页 |
| 2.2.5 Adagrad算法 | 第24-25页 |
| 2.2.6 Dropout | 第25页 |
| 2.3 文本相似度计算 | 第25-28页 |
| 2.3.1 最长公共子序列 | 第25-26页 |
| 2.3.2 TF-IDF算法 | 第26-27页 |
| 2.3.3 余弦相似度 | 第27-28页 |
| 第三章 基于深度神经网络的英文文本蕴含识别方法 | 第28-38页 |
| 3.1 预处理 | 第28-30页 |
| 3.1.1 英文分词 | 第28-29页 |
| 3.1.2 数字规格化 | 第29页 |
| 3.1.3 去除停用词 | 第29页 |
| 3.1.4 词形还原 | 第29-30页 |
| 3.1.5 词性标注 | 第30页 |
| 3.1.6 词向量生成 | 第30页 |
| 3.2 传统语言学特征提取 | 第30-31页 |
| 3.2.1 基于字符串的特征 | 第31页 |
| 3.2.2 基于句法的特征 | 第31页 |
| 3.2.3 基于句子差异的特征 | 第31页 |
| 3.3 深度神经网络 | 第31-36页 |
| 3.3.1 语义信息提取层 | 第32-33页 |
| 3.3.2 语义信息比较层 | 第33-35页 |
| 3.3.3 比较结果采样层 | 第35-36页 |
| 3.3.4 蕴含关系识别层 | 第36页 |
| 3.4 集成学习 | 第36-38页 |
| 第四章 基于深度神经网络的英文文本蕴含识别系统的设计与实现 | 第38-47页 |
| 4.1 系统设计 | 第38-39页 |
| 4.2 模块介绍 | 第39-47页 |
| 4.2.1 预处理模块 | 第39-41页 |
| 4.2.2 传统语言学特征提取模块 | 第41-42页 |
| 4.2.3 深度神经网络模块 | 第42-45页 |
| 4.2.4 集成学习模块 | 第45-47页 |
| 第五章 实验 | 第47-56页 |
| 5.1 实验数据 | 第47-48页 |
| 5.2 实验评价指标 | 第48页 |
| 5.2.1 2015SNLI数据集的评价指标 | 第48页 |
| 5.2.2 RTE7评测数据集的评价指标 | 第48页 |
| 5.3 深度神经网络参数设置 | 第48-49页 |
| 5.4 实验结果及分析 | 第49-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-64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 |