| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 研究现状 | 第10-14页 |
| 1.2.1 短文本答案自动评价技术研究现状 | 第10-12页 |
| 1.2.2 文本分布式表示方法研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第2章 基于多特征融合的答案自动评价 | 第16-32页 |
| 2.1 相似度特征 | 第16-21页 |
| 2.1.1 字词共现特征 | 第16-19页 |
| 2.1.2 基于信息检索模型的相关性特征 | 第19-21页 |
| 2.1.3 基于深度学习的语义特征 | 第21页 |
| 2.2 模型与评价指标 | 第21-24页 |
| 2.2.1 排序支持向量机 | 第21-23页 |
| 2.2.2 Spearman相关系数 | 第23-24页 |
| 2.3 实验过程与结果分析 | 第24-27页 |
| 2.3.1 实验数据 | 第24页 |
| 2.3.2 单个特征对答案评价的作用 | 第24-25页 |
| 2.3.3 特征融合及结果分析 | 第25-27页 |
| 2.4 参考答案扩展 | 第27-30页 |
| 2.4.1 参考答案长度分析 | 第28页 |
| 2.4.2 扩展长度分析 | 第28-29页 |
| 2.4.3 实验与结果分析 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第3章 基于段落表示的答案自动评价 | 第32-43页 |
| 3.1 分布式表示技术 | 第32-34页 |
| 3.2 基于段落文本表示的答案自动评价 | 第34-37页 |
| 3.2.1 答案评价模型框架 | 第34-35页 |
| 3.2.2 语义匹配度计算 | 第35-37页 |
| 3.2.3 Max-Margin损失函数 | 第37页 |
| 3.3 实验过程与结果分析 | 第37-42页 |
| 3.3.1 实验数据 | 第37-39页 |
| 3.3.2 实验设置 | 第39页 |
| 3.3.3 结果分析 | 第39-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于深度神经网络的答案质量估计 | 第43-55页 |
| 4.1 深度神经网络模型介绍 | 第43-47页 |
| 4.1.1 循环神经网络 | 第43-45页 |
| 4.1.2 长短时记忆神经网络 | 第45-46页 |
| 4.1.3 卷积神经网络 | 第46-47页 |
| 4.2 答案质量估计模型 | 第47-50页 |
| 4.2.1 基于Bi-LSTM的答案质量估计模型 | 第47-48页 |
| 4.2.2 基于CNN-LSTM的答案质量估计模型 | 第48-50页 |
| 4.3 实验设置与结果分析 | 第50-52页 |
| 4.3.1 实验数据 | 第50-51页 |
| 4.3.2 实验设置 | 第51页 |
| 4.3.3 结果分析 | 第51-52页 |
| 4.4 区分问题句和材料对答案评价的影响 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第61-63页 |
| 致谢 | 第63页 |