| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| abstract | 第9-10页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 研究背景与意义 | 第15页 |
| 1.2 国内外研究现状 | 第15-19页 |
| 1.2.1 语言模型方法 | 第15-16页 |
| 1.2.2 统计学方法 | 第16-17页 |
| 1.2.3 模式匹配方法 | 第17-19页 |
| 1.3 建设目标与研究内容 | 第19-20页 |
| 1.4 关键问题与技术难点 | 第20页 |
| 1.5 论文组织结构 | 第20-21页 |
| 第二章 智能问答系统相关理论 | 第21-36页 |
| 2.1 文本预处理 | 第21-26页 |
| 2.1.1 中文分词 | 第21-22页 |
| 2.1.2 词性标注 | 第22页 |
| 2.1.3 句法分析 | 第22-23页 |
| 2.1.4 命名实体识别 | 第23-25页 |
| 2.1.5 词向量 | 第25-26页 |
| 2.2 非事实型问题的智能问答 | 第26-28页 |
| 2.2.1 AIML简介 | 第26页 |
| 2.2.2 AIML的核心标签简介 | 第26-28页 |
| 2.3 事实型问题的深度问答 | 第28-35页 |
| 2.3.1 问题分类 | 第28-29页 |
| 2.3.2 支持证据获取 | 第29-32页 |
| 2.3.3 支持证据评分 | 第32-33页 |
| 2.3.4 候选答案抽取评分 | 第33-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 基于序列映射模型的对话生成 | 第36-49页 |
| 3.1 循环神经网络 | 第36-39页 |
| 3.1.1 前向传播过程 | 第37-38页 |
| 3.1.2 反向传播过程 | 第38-39页 |
| 3.2 长短期记忆模型 | 第39-42页 |
| 3.2.1 LSTM基本结构 | 第39-41页 |
| 3.2.2 LSTM网络内部数据流向 | 第41-42页 |
| 3.3 基于RNN/LSTM的Encoder-Decoder模型 | 第42-44页 |
| 3.3.1 编码器 | 第43页 |
| 3.3.2 译码器 | 第43-44页 |
| 3.4 算法实验结果与分析 | 第44-48页 |
| 3.4.1 实验语料和设置 | 第44页 |
| 3.4.2 评价方法 | 第44-45页 |
| 3.4.3 实验结果 | 第45-47页 |
| 3.4.4 实验结论 | 第47-48页 |
| 3.5 循环神经网络应用 | 第48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 系统设计与实现 | 第49-64页 |
| 4.1 系统总体设计 | 第49-50页 |
| 4.1.1 开发环境及相关技术 | 第49页 |
| 4.1.2 系统总体设计框架 | 第49-50页 |
| 4.2 非事实型问题处理 | 第50-55页 |
| 4.2.1 AIML模板匹配 | 第50-52页 |
| 4.2.2 WebService进行服务处理 | 第52-54页 |
| 4.2.3 LSTMEncoder-Decoder模型训练与调用 | 第54-55页 |
| 4.3 事实型问答知识库的构建与处理流程 | 第55-57页 |
| 4.4 事实型问答实验结果与分析 | 第57-61页 |
| 4.4.1 实验语料 | 第57页 |
| 4.4.2 评价标准 | 第57-58页 |
| 4.4.3 探究不同的候选证据评分组件效果 | 第58-60页 |
| 4.4.4 探究不同的答案评分组件效果 | 第60-61页 |
| 4.5 系统运行结果 | 第61-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69-71页 |