| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源背景及研究目的意义 | 第9-11页 |
| 1.2 相关工作的研究现状 | 第11-15页 |
| 1.2.1 语义相似度计算研究现状 | 第11-12页 |
| 1.2.2 答案选择的研究现状 | 第12-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 论文主要组织结构 | 第15-17页 |
| 第2章 问句及候选答案特征抽取 | 第17-26页 |
| 2.1 词汇基本特征 | 第17-18页 |
| 2.2 主题特征 | 第18-22页 |
| 2.2.1 主题模型 | 第18-19页 |
| 2.2.2 BTM主题模型 | 第19-21页 |
| 2.2.3 BTM与LDA模型对比 | 第21-22页 |
| 2.2.4 问题和答案主题特征生成 | 第22页 |
| 2.3 对齐特征 | 第22-24页 |
| 2.3.1 IBMModel1模型 | 第22-24页 |
| 2.3.2 问题和答案对齐特征生成 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于深度学习的答案选择排序算法 | 第26-42页 |
| 3.1 基于深度学习的答案选择排序模型框架 | 第26-27页 |
| 3.2 基于深度学习的词向量输入分析 | 第27-29页 |
| 3.3 基于CNN的答案选择排序模型研究及构建 | 第29-33页 |
| 3.3.1 CNN模型介绍 | 第29-31页 |
| 3.3.2 模型参数的初始化 | 第31-32页 |
| 3.3.3 问题答案选择排序CNN模型设计 | 第32-33页 |
| 3.4 基于LSTM的答案选择排序模型研究及构建 | 第33-36页 |
| 3.4.1 LSTM模型介绍 | 第33-35页 |
| 3.4.2 问题答案选择排序BLSTM模型设计 | 第35-36页 |
| 3.5 CNN和LSTM对比实验 | 第36-40页 |
| 3.5.1 实验数据 | 第37-38页 |
| 3.5.2 评价指标 | 第38-39页 |
| 3.5.3 实验设置 | 第39页 |
| 3.5.4 实验结果分析对比 | 第39-40页 |
| 3.6 本章小结 | 第40-42页 |
| 第4章 基于深度学习与多元特征结合的排序框架 | 第42-53页 |
| 4.1 基于词汇特征的BLSTM输入重构 | 第42-43页 |
| 4.2 基于主题特征与BLSTM模型融合 | 第43页 |
| 4.3 基于对齐特征在BLSTM中引入attention机制 | 第43-47页 |
| 4.3.1 Attention机制介绍 | 第44-45页 |
| 4.3.2 基于LSTM的选择排序模型中添加Attention机制 | 第45-47页 |
| 4.4 相关模型对比分析实验 | 第47-51页 |
| 4.4.1 WikiQA数据集上相关工作介绍 | 第47-49页 |
| 4.4.2 实验设置 | 第49-50页 |
| 4.4.3 LSTM加不同特征结果对比分析 | 第50-51页 |
| 4.4.4 LSTM加不同特征与已有工作对比 | 第51页 |
| 4.5 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间发表的学术论文及其他成果 | 第60-62页 |
| 致谢 | 第62页 |