| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景和意义 | 第13-16页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义 | 第14-16页 |
| 1.2 研究现状 | 第16-20页 |
| 1.2.1 无监督学习 | 第16-17页 |
| 1.2.2 有监督学习 | 第17-18页 |
| 1.2.3 半监督学习 | 第18页 |
| 1.2.4 深度学习 | 第18-20页 |
| 1.3 本文主要工作和创新点 | 第20-21页 |
| 1.4 文章结构安排 | 第21-23页 |
| 第二章 知识表示和评价指标 | 第23-33页 |
| 2.1 语料库 | 第23-25页 |
| 2.2 知识表示 | 第25-30页 |
| 2.2.1 特征和特征处理 | 第25-27页 |
| 2.2.2 词向量 | 第27-29页 |
| 2.2.3 句子向量 | 第29-30页 |
| 2.3 评测指标 | 第30-31页 |
| 2.4 小结 | 第31-33页 |
| 第三章 基于特征与词向量的隐式篇章关系识别模型 | 第33-45页 |
| 3.1 基于特征的知识表示模型 | 第33-37页 |
| 3.1.1 有监督学习 | 第33-34页 |
| 3.1.2 最大熵模型 | 第34页 |
| 3.1.3 实验设置 | 第34-35页 |
| 3.1.4 实验结果 | 第35-37页 |
| 3.2 基于词向量的知识表示模型 | 第37-41页 |
| 3.2.1 词向量 | 第37页 |
| 3.2.2 多层神经网络 | 第37-39页 |
| 3.2.3 模型训练目标 | 第39页 |
| 3.2.4 不同词向量对比 | 第39-40页 |
| 3.2.5 不同维度词向量对比 | 第40-41页 |
| 3.3 与其他模型比较 | 第41-42页 |
| 3.4 小结 | 第42-45页 |
| 第四章 基于句子向量的隐式篇章关系识别模型 | 第45-59页 |
| 4.1 背景介绍 | 第45-46页 |
| 4.2 词袋模型的句子向量 | 第46-47页 |
| 4.3 基于序列化的句子向量 | 第47-51页 |
| 4.3.1 简单的RNN | 第47-49页 |
| 4.3.2 双向RNN | 第49页 |
| 4.3.3 LSTM | 第49-50页 |
| 4.3.4 实验 | 第50-51页 |
| 4.4 基于树状结构的句子向量 | 第51-56页 |
| 4.4.1 信息焦点 | 第52-53页 |
| 4.4.2 混合树结构模型 | 第53页 |
| 4.4.3 Tree-LSTM | 第53-54页 |
| 4.4.4 NTN | 第54-55页 |
| 4.4.5 实验 | 第55-56页 |
| 4.5 与前人工作比较 | 第56-57页 |
| 4.6 小结 | 第57-59页 |
| 第五章 基于CNN的隐式篇章关系识别模型 | 第59-67页 |
| 5.1 相关介绍 | 第59-63页 |
| 5.1.1 背景介绍 | 第59-60页 |
| 5.1.2 CNN | 第60-61页 |
| 5.1.3 宽卷积(Wide Convolution) | 第61-62页 |
| 5.1.4 K-Max Pooling | 第62-63页 |
| 5.2 模型 | 第63-65页 |
| 5.3 实验 | 第65-66页 |
| 5.4 小结 | 第66-67页 |
| 第六章 总结与展望 | 第67-71页 |
| 6.1 本文工作总结 | 第67-68页 |
| 6.2 未来工作方向 | 第68-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75页 |