| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本文的主要工作 | 第11-12页 |
| 1.4 论文结构 | 第12-14页 |
| 第2章 数据预处理 | 第14-24页 |
| 2.1 实验数据描述 | 第14-15页 |
| 2.2 数据预处理 | 第15-18页 |
| 2.3 文本特征提取 | 第18-20页 |
| 2.3.1 文本匹配特征 | 第18-19页 |
| 2.3.2 信息检索模型相关度特征 | 第19-20页 |
| 2.4 训练中文词向量 | 第20-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第3章 基于RNN和检索模型的单轮对话生成方法 | 第24-38页 |
| 3.1 检索式系统框架 | 第24-25页 |
| 3.2 基于关键词的对话匹配方法 | 第25-28页 |
| 3.2.1 基于VSM的基线匹配模型 | 第25-27页 |
| 3.2.2 改进的关键词匹配方法 | 第27-28页 |
| 3.3 融合词向量的语义相似度计算 | 第28-29页 |
| 3.4 基于RNN的语义匹配模型 | 第29-31页 |
| 3.5 实验结果与分析 | 第31-37页 |
| 3.5.1 实验评价指标 | 第31-33页 |
| 3.5.2 实验结果 | 第33-35页 |
| 3.5.3 对比分析 | 第35-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 基于RNN和SEQ2SEQ的生成式单轮对话方法 | 第38-50页 |
| 4.1 循环神经网络 | 第38-40页 |
| 4.1.1 标准RNN模型 | 第38-39页 |
| 4.1.2 LSTM基本原理 | 第39-40页 |
| 4.2 SEQ2SEQ模型 | 第40-44页 |
| 4.2.1 RNNEncoder-Decoder框架 | 第40-41页 |
| 4.2.2 Seq2Seq模型原理 | 第41-43页 |
| 4.2.3 注意力机制 | 第43-44页 |
| 4.3 生成式对话系统框架 | 第44-46页 |
| 4.4 实验结果与分析 | 第46-49页 |
| 4.5 本章小结 | 第49-50页 |
| 第5章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 致谢 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 附录1 攻读学位期间的科研成果 | 第57-59页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第59-60页 |
| 详细摘要 | 第60-64页 |