| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究目的及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 文本分类 | 第13-15页 |
| 1.2.2 信息抽取 | 第15-17页 |
| 1.2.3 深度学习 | 第17-18页 |
| 1.3 本文研究工作 | 第18-19页 |
| 1.4 论文组织结构 | 第19-20页 |
| 2 深度学习及相关背景知识 | 第20-30页 |
| 2.1 神经网络简介 | 第20-22页 |
| 2.2 深度学习模型介绍 | 第22-26页 |
| 2.2.1 卷积神经网络模型（CNN） | 第22-23页 |
| 2.2.2 长短时记忆神经网络模型（LSTM） | 第23-24页 |
| 2.2.3 反向传播与梯度下降 | 第24-26页 |
| 2.2.4 词向量 | 第26页 |
| 2.3 自然语言处理相关知识 | 第26-29页 |
| 2.3.1 句法树 | 第27-28页 |
| 2.3.2 问答系统 | 第28-29页 |
| 2.4 本章小节 | 第29-30页 |
| 3 基于深度学习的短文本分类 | 第30-39页 |
| 3.1 基于多粒度卷积核卷积神经网络(MFCNN)的短文本分类 | 第30-32页 |
| 3.2 基于递归记忆卷积神经网络（L-MFCNN）的短文本分类 | 第32-35页 |
| 3.2.1 基于长短时记忆人工神经网络的短文本分类 | 第32-34页 |
| 3.2.2 融合MFCNN的L-MFCNN模型的短文本分类 | 第34-35页 |
| 3.3 实验结果与分析 | 第35-38页 |
| 3.3.1 实验数据集 | 第35页 |
| 3.3.2 与经典模型的比较 | 第35-37页 |
| 3.3.3 与现有问题分类工作的比较 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于句法分析和深度学习的信息抽取 | 第39-51页 |
| 4.1 信息抽取流程 | 第39-40页 |
| 4.2 信息抽取深度神经网络模型构造 | 第40-47页 |
| 4.2.1 表层特征 | 第40-41页 |
| 4.2.2 句法结构特征 | 第41-44页 |
| 4.2.3 语义相关特征 | 第44-45页 |
| 4.2.4 深度神经网络模型构造 | 第45-46页 |
| 4.2.5 候选信息排序 | 第46-47页 |
| 4.3 实验结果与分析 | 第47-49页 |
| 4.3.1 实验数据集 | 第47页 |
| 4.3.2 信息抽取实验 | 第47-49页 |
| 4.3.3 对比实验 | 第49页 |
| 4.4 本章小结 | 第49-51页 |
| 5 基于深度学习的问答系统设计与实现 | 第51-57页 |
| 5.1 基于深度学习的问答系统概述 | 第51-53页 |
| 5.1.1 系统概述 | 第51页 |
| 5.1.2 功能模块 | 第51-52页 |
| 5.1.3 本文模型用于问题分类和答案抽取 | 第52-53页 |
| 5.2 基于深度学习的问答系统设计与实现 | 第53-56页 |
| 5.2.1 数据库设计 | 第53-54页 |
| 5.2.2 系统使用 | 第54-55页 |
| 5.2.3 系统性能评价 | 第55-56页 |
| 5.3 本章小结 | 第56-57页 |
| 6 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在校期间发表的学术论文及研究成果 | 第63-64页 |
| 致谢 | 第64页 |
