领域化词向量的融合排序模型研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 课题研究的目的及意义 | 第8-9页 |
| 1.2 国内外相关技术研究现状 | 第9-13页 |
| 1.2.1 专家系统 | 第9-11页 |
| 1.2.2 排序学习 | 第11-12页 |
| 1.2.3 短文本相似度计算 | 第12-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 章节内容组织 | 第14-15页 |
| 2 相关理论及算法介绍 | 第15-25页 |
| 2.1 Word2Vec | 第15-18页 |
| 2.1.1 Word2Vec类型 | 第15-17页 |
| 2.1.2 Word2Vec训练算法 | 第17-18页 |
| 2.2 WMD算法 | 第18-20页 |
| 2.3 BM25算法 | 第20-22页 |
| 2.4 排序学习 | 第22-23页 |
| 2.5 知网词语相似度计算 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 基于权重映射的RWMD算法 | 第25-37页 |
| 3.1 相似度计算的影响因素 | 第25-26页 |
| 3.1.1 潜在停用词 | 第25-26页 |
| 3.1.2 稀有专有名词 | 第26页 |
| 3.2 语料库词向量优化 | 第26-31页 |
| 3.2.1 大规模语料库 | 第27页 |
| 3.2.2 领域级语料库 | 第27-31页 |
| 3.3 领域化词向量RWMD算法 | 第31-32页 |
| 3.4 实验分析 | 第32-36页 |
| 3.4.1 数据选取 | 第32-33页 |
| 3.4.2 实验规则 | 第33-34页 |
| 3.4.3 实验结果及分析 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 4 基于词向量优化融合排序学习 | 第37-47页 |
| 4.1 排序学习类型 | 第37-39页 |
| 4.1.1 单文档模型 | 第37页 |
| 4.1.2 文档对模型 | 第37-38页 |
| 4.1.3 文档列表模型 | 第38-39页 |
| 4.2 融合排序学习模型 | 第39-41页 |
| 4.2.1 文档列表方法的问题 | 第39页 |
| 4.2.2 基于单文档与文档对的融合模型 | 第39-40页 |
| 4.2.3 融合模型在专家系统中的优势 | 第40-41页 |
| 4.3 基于领域词向量与RWMD的融合排序模型 | 第41-42页 |
| 4.4 实验分析 | 第42-45页 |
| 4.4.1 数据选取 | 第42页 |
| 4.4.2 实验规则 | 第42-43页 |
| 4.4.3 实验结果及分析 | 第43-45页 |
| 4.5 本章小结 | 第45-47页 |
| 5 总结和展望 | 第47-49页 |
| 5.1 工作总结 | 第47-48页 |
| 5.2 不足与展望 | 第48-49页 |
| 致谢 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55页 |
| A.作者在攻读学位期间发表的论文目录 | 第55页 |
| B.作者在攻读学位期间参与的科研项目目录 | 第55页 |
