基于神经网络的中文词表示方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 1 绪论 | 第6-10页 |
| 1.1 研究背景 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 论文结构 | 第9-10页 |
| 2 词向量表示技术 | 第10-22页 |
| 2.1 向量空间模型 | 第10页 |
| 2.2 语义表示 | 第10-12页 |
| 2.2.1 分布表示 | 第11-12页 |
| 2.3 基于神经网络的词向量表示模型 | 第12-21页 |
| 2.3.1 语言模型简介 | 第12-13页 |
| 2.3.2 神经网络语言模型 | 第13-16页 |
| 2.3.3 循环神经网络语言模型 | 第16-18页 |
| 2.3.4 SENNA模型 | 第18-19页 |
| 2.3.5 CBOW模型和Skip-gram模型 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 3 基于神经网络的中文词表示方法 | 第22-39页 |
| 3.1 中文词向量表示方法 | 第23-26页 |
| 3.1.1 模型生成过程 | 第24-25页 |
| 3.1.2 算法分析 | 第25-26页 |
| 3.2 基于上下文字词联合训练的改进算法 | 第26-34页 |
| 3.2.1 模型生成过程 | 第27-29页 |
| 3.2.2 基于位置的字向量表示 | 第29-30页 |
| 3.2.3 一个新的字向量更新式 | 第30-33页 |
| 3.2.4 ECWE算法流程 | 第33-34页 |
| 3.3 词向量表示模型总结分析 | 第34-37页 |
| 3.3.1 上下文表示 | 第34-36页 |
| 3.3.2 目标词与上下文之间的关系 | 第36-37页 |
| 3.3.3 算法复杂度分析 | 第37页 |
| 3.4 本章小结 | 第37-39页 |
| 4 实验结果与分析 | 第39-51页 |
| 4.1 评价方法 | 第39-41页 |
| 4.1.1 语义相似度 | 第40页 |
| 4.1.2 类比推理 | 第40页 |
| 4.1.3 文本分类 | 第40-41页 |
| 4.1.4 鲁棒性 | 第41页 |
| 4.2 数据集及参数设置 | 第41-42页 |
| 4.2.1 迭代次数 | 第41-42页 |
| 4.2.2 词向量维度 | 第42页 |
| 4.3 实验结果分析 | 第42-48页 |
| 4.3.1 实验概览 | 第43-44页 |
| 4.3.2 语义相似度计算 | 第44-45页 |
| 4.3.3 类比推理任务 | 第45页 |
| 4.3.4 文本分类任务 | 第45-46页 |
| 4.3.5 鲁棒性分析 | 第46-48页 |
| 4.4 语言学特征直观分析 | 第48-50页 |
| 4.4.1 最近邻分析 | 第48-49页 |
| 4.4.2 上下文加入汉字的影响 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间发表学术论文情况 | 第55-56页 |
| 致谢 | 第56-58页 |
