基于深度学习的问题分类的研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 问题分类的研究现状 | 第10-13页 |
| 1.2.2 深度学习在NLP领域的研究现状 | 第13-16页 |
| 1.2.3 LSTM的研究现状 | 第16-17页 |
| 1.3 本文的主要研究内容和组织结构 | 第17-19页 |
| 第2章 基于深层网络的问题分类模型 | 第19-40页 |
| 2.1 RNN/LSTM模型相关理论介绍 | 第19-26页 |
| 2.1.1 RNN网络模型 | 第19-22页 |
| 2.1.2 LSTM网络模型 | 第22-26页 |
| 2.2 分类体系以及评价方法 | 第26-30页 |
| 2.2.1 实验数据介绍 | 第26-27页 |
| 2.2.2 数据分类体系分析 | 第27-29页 |
| 2.2.3 分类器性能评价方法 | 第29-30页 |
| 2.3 深层网络分类模型 | 第30-39页 |
| 2.3.1 基于LSTM的问题分类模型 | 第31-36页 |
| 2.3.2 分类模型的参数训练 | 第36-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 基于特征融合的LSTM分类模型 | 第40-59页 |
| 3.1 基于特征融合的分类器架构分析 | 第40-49页 |
| 3.1.1 多特征语料预处理 | 第40-42页 |
| 3.1.2 词嵌入的生成 | 第42-47页 |
| 3.1.3 LSTM网络模型架构设计 | 第47-49页 |
| 3.2 特征融合方法及相关技巧介绍 | 第49-51页 |
| 3.2.1 特征融合方法介绍 | 第49-50页 |
| 3.2.2 网络模型中相关技巧介绍 | 第50-51页 |
| 3.3 实验及结果分析 | 第51-57页 |
| 3.3.1 实验设置 | 第51-52页 |
| 3.3.2 实验结果分析 | 第52-54页 |
| 3.3.3 对比试验分析 | 第54-57页 |
| 3.4 本章小结 | 第57-59页 |
| 第4章 基于领域自适应的LSTM分类模型 | 第59-67页 |
| 4.1 领域自适应深层网络分类模型 | 第59-62页 |
| 4.1.1 特征提取网络 | 第60页 |
| 4.1.2 类别预测网络 | 第60-61页 |
| 4.1.3 领域分类网络 | 第61-62页 |
| 4.2 网络模型训练 | 第62-64页 |
| 4.3 实验及结果分析 | 第64-65页 |
| 4.3.1 实验设置 | 第64-65页 |
| 4.3.2 实验结果分析 | 第65页 |
| 4.4 本章小结 | 第65-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-76页 |
| 攻读学位期间发表的学术论文 | 第76-78页 |
| 致谢 | 第78页 |
