| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 自然语言处理的国内外研究现状 | 第11-12页 |
| 1.2.2 词向量生成方法的国内外研究现状 | 第12-13页 |
| 1.2.3 知识表示方法的国内外研究现状 | 第13-14页 |
| 1.3 本文的主要内容工作与组织结构 | 第14-16页 |
| 第二章 相关理论与技术 | 第16-29页 |
| 2.1 语言模型 | 第16-18页 |
| 2.2 深度学习与自然语言处理 | 第18-21页 |
| 2.2.1 循环神经网络 | 第18-20页 |
| 2.2.2 编码-解码模型框架 | 第20-21页 |
| 2.3 常用的分类算法 | 第21-25页 |
| 2.3.1 支持向量机 | 第21-24页 |
| 2.3.2 k近邻法 | 第24-25页 |
| 2.4 知识表示方法 | 第25-28页 |
| 2.4.1 框架表示法 | 第26页 |
| 2.4.2 语义网络表示法 | 第26-27页 |
| 2.4.3 谓词逻辑表示法 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于词向量的初等数学问题题意理解方法的研究 | 第29-56页 |
| 3.1 初等数学语言的特点 | 第30-31页 |
| 3.2 初等数学知识的表示方法研究 | 第31-33页 |
| 3.3 初等数学语言的预处理的方法研究 | 第33-39页 |
| 3.3.1 分词和词性标注 | 第33-34页 |
| 3.3.2 数学文本的实体命名 | 第34-36页 |
| 3.3.3 初等数学长文本的切分 | 第36-39页 |
| 3.4 改进的词向量学习方法 | 第39-46页 |
| 3.4.1 word2vec模型 | 第40-41页 |
| 3.4.2 基于关键词的加权连续词袋模型构建 | 第41-46页 |
| 3.5 数学短文本特征向量的构造 | 第46-51页 |
| 3.5.1 词袋模型和词向量叠加方法 | 第46-48页 |
| 3.5.2 基于词向量和命名实体的词袋模型的协同特征构造 | 第48-51页 |
| 3.6 改进的初等数学短文本分类方法 | 第51-54页 |
| 3.6.1 降噪与优化 | 第51-52页 |
| 3.6.2 一种改进的混合分类器 | 第52-54页 |
| 3.7 知识生成 | 第54页 |
| 3.8 本章小节 | 第54-56页 |
| 第四章 基于词向量的初等数学问题题意理解系统的实现 | 第56-67页 |
| 4.1 总体功能设计 | 第57-58页 |
| 4.2 各模块详细设计与实现 | 第58-65页 |
| 4.2.2 文本预处理模块 | 第59-60页 |
| 4.2.3 实体命名和长句切分模块 | 第60-63页 |
| 4.2.4 特征构造模块 | 第63-64页 |
| 4.2.5 文本分类模块与知识生成模块 | 第64-65页 |
| 4.3 本章小节 | 第65-67页 |
| 第五章 系统测试 | 第67-75页 |
| 5.1 一般初等数学问题题意理解测试 | 第67-71页 |
| 5.2 系统综合测试 | 第71-74页 |
| 5.2.1 测试概述 | 第71-72页 |
| 5.2.2 测试结果及分析 | 第72-74页 |
| 5.3 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文的主要研究结果 | 第75页 |
| 6.2 研究的不足和展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读硕士学位期间取得的成果 | 第81-82页 |
