| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的目的及意义 | 第9页 |
| 1.3 国内外研究现状分析 | 第9-13页 |
| 1.3.1 语义相似性匹配问题的研究现状 | 第10页 |
| 1.3.2 深度学习的研究现状 | 第10-12页 |
| 1.3.3 语义相似性匹配问题结合深度学习的研究现状 | 第12-13页 |
| 1.3.4 研究现状分析 | 第13页 |
| 1.4 本文的主要研究内容 | 第13-14页 |
| 1.5 章节内容组织结构 | 第14-16页 |
| 第2章 语义匹配相关技术和深度学习介绍 | 第16-25页 |
| 2.1 引言 | 第16页 |
| 2.2 语义相似性匹配模型介绍 | 第16-18页 |
| 2.2.1 向量空间模型 | 第16-17页 |
| 2.2.2 余弦相似度模型 | 第17页 |
| 2.2.3 LSI模型和LDA模型 | 第17-18页 |
| 2.3 深度学习模型介绍 | 第18-24页 |
| 2.3.1 神经概率语言模型和词向量 | 第19-21页 |
| 2.3.2 卷积神经网络模型 | 第21-22页 |
| 2.3.3 LSTM模型 | 第22-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 大规模短文本摘要数据集的构建 | 第25-34页 |
| 3.1 引言 | 第25页 |
| 3.2 数据的来源 | 第25-27页 |
| 3.3 数据的爬取与处理 | 第27-29页 |
| 3.3.1 微博数据自动爬取算法 | 第27-28页 |
| 3.3.2 数据处理过程 | 第28-29页 |
| 3.4 数据的标注 | 第29-32页 |
| 3.4.1 数据标注的动机 | 第29-30页 |
| 3.4.2 数据标注的难点和规范 | 第30-31页 |
| 3.4.3 数据标注结果 | 第31-32页 |
| 3.5 数据集的分析 | 第32-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 短文本摘要数据集过滤算法 | 第34-47页 |
| 4.1 引言 | 第34页 |
| 4.2 基于传统模型的数据集过滤算法 | 第34-36页 |
| 4.2.1 基于向量空间与SVM模型的数据集过滤算法 | 第34-35页 |
| 4.2.2 基于LSI模型的数据集过滤算法 | 第35-36页 |
| 4.3 基于深度学习的数据集过滤算法 | 第36-46页 |
| 4.3.1 基于CNN模型的数据集过滤算法 | 第36-38页 |
| 4.3.2 基于LSTM模型的数据集过滤算法 | 第38-42页 |
| 4.3.3 改进LSTM单元结构 | 第42-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 对比实验及结果分析 | 第47-55页 |
| 5.1 评价指标的选取 | 第47-49页 |
| 5.1.1 准确率评价指标 | 第47页 |
| 5.1.2 AUC评价指标 | 第47-49页 |
| 5.2 实验结果对比与分析 | 第49-54页 |
| 5.2.1 实验结果对比 | 第49-50页 |
| 5.2.2 训练集规模对实验结果影响分析 | 第50-51页 |
| 5.2.3 标题的语义抽象程度定义 | 第51-52页 |
| 5.2.4 预测结果与标题抽象程度的相关性分析 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 读硕士学位期间发表的论文及其它成果 | 第60-62页 |
| 致谢 | 第62页 |