| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景 | 第9页 |
| 1.2 论文的研究内容 | 第9-12页 |
| 1.2.1 与法律相关的信息检索技术 | 第10页 |
| 1.2.2 文档相似度计算方法 | 第10-12页 |
| 1.3 论文的主要内容 | 第12-13页 |
| 1.4 论文的组织结构 | 第13-14页 |
| 第2章 文档相似度计算研究现状 | 第14-27页 |
| 2.1 基于传统方法的文档相似度算法 | 第14-21页 |
| 2.1.1 基于大规模文本统计的方法 | 第14-16页 |
| 2.1.2 基于词项语义的方法 | 第16-21页 |
| 2.2 基于深度学习方法的文档相似度算法 | 第21-26页 |
| 2.2.1 孪生框架 | 第21-22页 |
| 2.2.2 基于全连接神经网络的孪生网络模型 | 第22-23页 |
| 2.2.3 基于卷积神经网络的孪生网络模型 | 第23-24页 |
| 2.2.4 基于循环神经网络的孪生网络模型 | 第24-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 法律案例相似度标注数据集的开发 | 第27-32页 |
| 3.1 引言 | 第27页 |
| 3.2 开发动机 | 第27-28页 |
| 3.3 数据集来源 | 第28-29页 |
| 3.4 标注过程 | 第29页 |
| 3.5 标注辅助工具的开发 | 第29-30页 |
| 3.6 标注结果的统计分析 | 第30-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第4章 结合二部图和句法信息的文档相似度计算 | 第32-40页 |
| 4.1 引言 | 第32页 |
| 4.2 案例文本相似度计算传统方法的baseline系统 | 第32-34页 |
| 4.3 结合二部图和句法信息的文档相似度计算 | 第34-37页 |
| 4.3.1 通过二部图的最大权重匹配计算关键词向量的相似度 | 第35-36页 |
| 4.3.2 句法信息相似度 | 第36-37页 |
| 4.3.3 文档相似度计算 | 第37页 |
| 4.4 实验 | 第37-39页 |
| 4.4.1 参数设置 | 第37-38页 |
| 4.4.2 实验结果与分析 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 融合注意力机制和文档内容压缩的文档相似度计算 | 第40-52页 |
| 5.1 引言 | 第40页 |
| 5.2 基于孪生网络的文档相似度计算的基线系统实现 | 第40-43页 |
| 5.3 基于集成注意力机制的孪生网络模型的文档相似度计算 | 第43-47页 |
| 5.3.1 在孪生网络中融入注意力机制 | 第43-44页 |
| 5.3.2 利用层级注意力机制改进孪生网络中的文档表示 | 第44-47页 |
| 5.4 引入文档内容压缩的两步骤文档相似度计算 | 第47-49页 |
| 5.4.1 两步骤的文档相似度计算框架 | 第47-48页 |
| 5.4.2 文档内容压缩方法 | 第48-49页 |
| 5.5 实验 | 第49-51页 |
| 5.5.1 参数设置 | 第49页 |
| 5.5.2 实验结果与分析 | 第49-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60页 |
