基于深度学习的对话系统主题分配技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题背景及研究目的和意义 | 第10-12页 |
| 1.1.1 课题背景 | 第10-11页 |
| 1.1.2 课题研究的目的和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 传统分类任务 | 第12页 |
| 1.2.2 主题模型用于主题分配 | 第12-13页 |
| 1.2.3 深度学习在句子分类中的应用 | 第13-14页 |
| 1.3 本文研究内容及章节安排 | 第14-18页 |
| 1.3.1 本文研究内容 | 第14-16页 |
| 1.3.2 本文章节安排 | 第16-18页 |
| 第2章 语料获取和数据集构建 | 第18-25页 |
| 2.1 引言 | 第18页 |
| 2.2 语料获取 | 第18-21页 |
| 2.2.1 调研网站语料收集 | 第18-20页 |
| 2.2.2 讯飞灵犀语料 | 第20-21页 |
| 2.3 数据集构建 | 第21-22页 |
| 2.4 评价机制设置 | 第22-24页 |
| 2.4.1 评价指标 | 第22-23页 |
| 2.4.2 单主题分类器与级联分类器 | 第23-24页 |
| 2.4.3 训练集和测试集的划分 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于传统方法的对话系统主题分配 | 第25-32页 |
| 3.1 引言 | 第25页 |
| 3.2 分类模型 | 第25-28页 |
| 3.2.1 朴素贝叶斯模型介绍 | 第25-26页 |
| 3.2.2 最大熵模型介绍 | 第26-27页 |
| 3.2.3 支持向量机模型介绍 | 第27-28页 |
| 3.3 特征选择 | 第28-29页 |
| 3.3.1 词频 | 第28页 |
| 3.3.2 TF-IDF | 第28-29页 |
| 3.4 实验结果与分析 | 第29-31页 |
| 3.4.1 实验设置 | 第29-30页 |
| 3.4.2 实验结果及分析 | 第30-31页 |
| 3.5 本章小结 | 第31-32页 |
| 第4章 基于主题模型的对话系统主题分配 | 第32-39页 |
| 4.1 引言 | 第32页 |
| 4.2 主题分配模型介绍 | 第32-36页 |
| 4.2.1 隐含狄利克雷主题模型 | 第32-33页 |
| 4.2.2 基于LDA模型的文本分类方法 | 第33-34页 |
| 4.2.3 基于LDA模型的短文本分类方法 | 第34-36页 |
| 4.3 实验结果与分析 | 第36-38页 |
| 4.3.1 实验设置 | 第36页 |
| 4.3.2 实验结果与分析 | 第36-38页 |
| 4.4 本章小结 | 第38-39页 |
| 第5章 基于深度学习的对话系统主题分配 | 第39-53页 |
| 5.1 引言 | 第39页 |
| 5.2 基于卷积神经网络的句子分类模型 | 第39-45页 |
| 5.2.1 句子向量表示 | 第39-42页 |
| 5.2.2 卷积神经网络介绍 | 第42-43页 |
| 5.2.3 基于卷积神经网络的句子分类模型介绍 | 第43-45页 |
| 5.3 基于循环神经网络的句子分类模型 | 第45-49页 |
| 5.3.1 循环神经网络介绍 | 第45-46页 |
| 5.3.2 基于循环神经网络的句子分类模型介绍 | 第46-49页 |
| 5.4 实验结果与分析 | 第49-51页 |
| 5.4.1 实验设置 | 第49页 |
| 5.4.2 实验结果及分析 | 第49-51页 |
| 5.5 本章小结 | 第51-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-59页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第59-61页 |
| 致谢 | 第61页 |
