跨领域对话理解技术研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 引言 | 第10-20页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 自然语言理解概述及研究现状 | 第11-15页 |
| 1.2.1 意图识别 | 第12-13页 |
| 1.2.2 槽填充 | 第13-14页 |
| 1.2.3 联合建模 | 第14-15页 |
| 1.3 跨领域对话理解技术概述及研究现状 | 第15-17页 |
| 1.4 本文的研究内容及章节安排 | 第17-20页 |
| 第二章 基础知识 | 第20-32页 |
| 2.1 词的表示 | 第20-23页 |
| 2.1.1 词的独热表示 | 第20页 |
| 2.1.2 词的分布式表示 | 第20-21页 |
| 2.1.3 词的分布式表示的训练 | 第21-23页 |
| 2.2 循环神经网络 | 第23-28页 |
| 2.2.1 前向神经网络 | 第23页 |
| 2.2.2 Elman RNN网络结构 | 第23-24页 |
| 2.2.3 Jordan RNN网络结构 | 第24页 |
| 2.2.4 梯度消失和梯度爆炸 | 第24-26页 |
| 2.2.5 LSTM长短期记忆网络 | 第26-28页 |
| 2.3 迁移学习 | 第28-30页 |
| 2.3.1 基于样本实例的迁移 | 第29页 |
| 2.3.2 基于特征的迁移 | 第29-30页 |
| 2.3.3 基于参数的迁移 | 第30页 |
| 2.4 本章小结 | 第30-32页 |
| 第三章 基于领域不变性特征的跨领域对话理解 | 第32-41页 |
| 3.1 基于Bi-LSTM的对话理模型 | 第32-34页 |
| 3.2 基于最大化均值差异的跨领域对话理解模型 | 第34-37页 |
| 3.2.1 最大均值差异 | 第34-35页 |
| 3.2.2 基于最大均值差异的迁移学习 | 第35-37页 |
| 3.3 基于对抗神经网络的跨领域对话理解模型 | 第37-40页 |
| 3.3.1 对抗神经网络 | 第37页 |
| 3.3.2 基于对抗神经网络的迁移学习 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 实验及结果分析 | 第41-50页 |
| 4.1 数据集 | 第41-43页 |
| 4.2 词向量 | 第43-44页 |
| 4.3 基于最大均值差异的模型的分析与比较 | 第44-46页 |
| 4.4 基于对抗神经网络的模型的分析与比较 | 第46-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 系统实现 | 第50-58页 |
| 5.1 对话系统结构 | 第50页 |
| 5.2 自然语言理解的系统架构 | 第50-51页 |
| 5.3 系统实现过程 | 第51-58页 |
| 5.3.1 系统设计思想 | 第51-52页 |
| 5.3.2 系统需求分析 | 第52页 |
| 5.3.3 系统数据准备 | 第52页 |
| 5.3.4 系统结构设计 | 第52-53页 |
| 5.3.5 系统流程 | 第53页 |
| 5.3.6 系统测试 | 第53-58页 |
| 第六章 总结和展望 | 第58-60页 |
| 6.1 本文工作总结 | 第58-59页 |
| 6.2 未来展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者攻读学位期间发表的学术论文目录 | 第66页 |
