文本语义的向量表示与建模方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-21页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 文本表示的研究现状 | 第12-18页 |
| 1.2.1 词的表示学习 | 第12-14页 |
| 1.2.2 句子的表示学习 | 第14-16页 |
| 1.2.3 文档的表示学习 | 第16-18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文结构安排 | 第19-21页 |
| 第2章 基于卷积神经网络的句子建模及语义匹配研究 | 第21-35页 |
| 2.1 引言 | 第21-23页 |
| 2.2 句子语义匹配基本框架 | 第23-26页 |
| 2.2.1 基于句子表示的语义匹配框架 | 第23-24页 |
| 2.2.2 基于注意力机制的语义匹配框架 | 第24-26页 |
| 2.3 门限卷积单元 | 第26-27页 |
| 2.4 字符构造特征和词性标注特征 | 第27-29页 |
| 2.5 实验 | 第29-32页 |
| 2.5.1 实验数据库 | 第29-30页 |
| 2.5.2 实验配置 | 第30页 |
| 2.5.3 实验结果 | 第30-32页 |
| 2.6 本章小结 | 第32-35页 |
| 第3章 基于语义信息融合的文档向量及主题分类 | 第35-53页 |
| 3.1 引言 | 第35-36页 |
| 3.2 文本预处理 | 第36-38页 |
| 3.3 基于统计方法的文档向量表示模型 | 第38-42页 |
| 3.3.1 词频-逆文档频率(TF-IDF) | 第38页 |
| 3.3.2 潜在语义分析模型(LSA) | 第38-39页 |
| 3.3.3 概率潜在语义分析(PLSA) | 第39-40页 |
| 3.3.4 隐狄利克雷分布(LDA) | 第40-42页 |
| 3.4 基于神经网络的文档主题分类模型 | 第42-44页 |
| 3.5 神经网络语义向量及增强型文档语义向量 | 第44-45页 |
| 3.6 实验 | 第45-52页 |
| 3.6.1 实验数据库 | 第45-46页 |
| 3.6.2 评价指标 | 第46-47页 |
| 3.6.3 实验配置和系统描述 | 第47-48页 |
| 3.6.4 实验结果 | 第48-52页 |
| 3.7 本章小结 | 第52-53页 |
| 第4章 基于共识分析的伪监督文档向量及聚类 | 第53-69页 |
| 4.1 引言 | 第53-54页 |
| 4.2 基于无监督神经网络的文档向量表示 | 第54-57页 |
| 4.2.1 DocNADE | 第54-56页 |
| 4.2.2 Lda2vec | 第56-57页 |
| 4.3 基于共识分析的伪监督文档语义向量学习 | 第57-59页 |
| 4.3.1 共识样本及伪标签的生成 | 第57-59页 |
| 4.3.2 有监督神经网络的伪监督学习 | 第59页 |
| 4.3.3 神经网络语义向量的提取和文档聚类 | 第59页 |
| 4.4 实验 | 第59-67页 |
| 4.4.1 实验数据库 | 第60页 |
| 4.4.2 评价指标 | 第60-61页 |
| 4.4.3 聚类簇数目的选择 | 第61页 |
| 4.4.4 实验配置和系统描述 | 第61-62页 |
| 4.4.5 实验结果 | 第62-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 总结与展望 | 第69-73页 |
| 5.1 本文研究总结 | 第69-70页 |
| 5.2 研究展望 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79-81页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第81页 |
