| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 国内外研究现状 | 第15-16页 |
| 1.3 论文的研究内容 | 第16-17页 |
| 1.4 论文的组织 | 第17-18页 |
| 第二章 泰语句子基于向量空间模型的TF-IDF方法 | 第18-32页 |
| 2.1 引言 | 第18-19页 |
| 2.2 向量空间模型（VSM: Vector Space Model) | 第19-24页 |
| 2.2.1 向量空间模型的基本原理 | 第19-21页 |
| 2.2.2 概率模型 | 第21页 |
| 2.2.3 概念模型 | 第21-22页 |
| 2.2.4 向量空间模型的分析 | 第22-23页 |
| 2.2.5 向量空间模型中的关键词 | 第23页 |
| 2.2.6 向量空间模型中的指导思想 | 第23-24页 |
| 2.3 泰语分词 | 第24-25页 |
| 2.4 TF-IDF模型 | 第25页 |
| 2.5 基于TF-IDF方法的相似度计算步骤 | 第25-30页 |
| 2.5.1 本算法的步骤如下 | 第25-28页 |
| 2.5.2 系统使用PHP实现TF-IDF方法的算法的关键代码 | 第28-29页 |
| 2.5.3 简单起见的例子 | 第29-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 泰语句子基于知网的语义相似度方法 | 第32-44页 |
| 3.1 引言 | 第32-33页 |
| 3.2 概念语义相似度概述 | 第33-34页 |
| 3.3 语义相似度的影响因素 | 第34-35页 |
| 3.4 泰语语义相似度的计算方法 | 第35-36页 |
| 3.5 基于知网的语义相似度计算 | 第36-39页 |
| 3.5.1 基于知网的语义相似度计算 | 第37页 |
| 3.5.2 词语相似度 | 第37页 |
| 3.5.3 基于知网的词汇语义相似度计算方法 | 第37-39页 |
| 3.6 停用词 | 第39页 |
| 3.7 泰语句子基于知网的语义相似度算法流程 | 第39-42页 |
| 3.7.1 泰语句子基于知网的语义相似度方法的算法步骤如下 | 第40-42页 |
| 3.8 系统使用PHP实现知网方法的算法的关键代码 | 第42-43页 |
| 3.9 本章小结 | 第43-44页 |
| 第四章 基于WordNet的泰语句子相似度计算方法 | 第44-56页 |
| 4.1 引言 | 第44-45页 |
| 4.2 WordNet的发展 | 第45页 |
| 4.3 WordNet的特点 | 第45-46页 |
| 4.4 泰语(Thai) WordNet | 第46页 |
| 4.5 相关算法的研究情况 | 第46-48页 |
| 4.5.1 基于路径的方法 | 第47-48页 |
| 4.6 基于信息内容的算法 | 第48页 |
| 4.7 词语间的概念相似度 | 第48-49页 |
| 4.8 语句间的语义相似度 | 第49页 |
| 4.8.1 语句的向量化表示 | 第49页 |
| 4.9 基于WordNet的泰语句子相似度算法流程 | 第49-52页 |
| 4.10 系统使用PHP实现WordNet方法的算法的关键代码 | 第52-55页 |
| 4.11 本章小结 | 第55-56页 |
| 第五章 实验结果与分析 | 第56-68页 |
| 5.1 实验目的 | 第56页 |
| 5.2 实验平台 | 第56页 |
| 5.3 实验的系统 | 第56-63页 |
| 5.4 实验内容 | 第63-66页 |
| 5.4.1 对泰语句子基于向量空间模型的TF-IDF方法进行实验 | 第63-64页 |
| 5.4.2 对泰语句子基于知网的语义相似度方法进行实验 | 第64-65页 |
| 5.4.3 对基于WordNet的泰语句子相似度计算方法进行实验 | 第65-66页 |
| 5.5 实验总结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-74页 |
