| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-24页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 多轮对话语料库的构建研究现状 | 第11-13页 |
| 1.2.2 短文本表示研究现状 | 第13-15页 |
| 1.2.3 主题分割技术研究现状 | 第15-16页 |
| 1.3 本文相关深度神经网络技术简介 | 第16-22页 |
| 1.3.1 WordEmbedding技术 | 第16-18页 |
| 1.3.2 循环神经网络及相关变形 | 第18-20页 |
| 1.3.3 卷积神经网络 | 第20-22页 |
| 1.4 本文的主要研究内容 | 第22-23页 |
| 1.5 本文内容安排 | 第23-24页 |
| 第2章 基于深度学习的偏离主题对话判别 | 第24-35页 |
| 2.1 引言 | 第24页 |
| 2.2 短文本偏离主题对话判别 | 第24-30页 |
| 2.2.1 基于GRU+NN的对话偏离模型 | 第25页 |
| 2.2.2 基于HierarchicalBi-GRU+NN模型构建 | 第25-28页 |
| 2.2.3 基于HierarchicalBi-GRU+CNN的对话偏离模型 | 第28-30页 |
| 2.3 实验数据集构建和评价指标 | 第30-32页 |
| 2.3.1 实验数据集构造 | 第30-31页 |
| 2.3.2 实验评测指标 | 第31-32页 |
| 2.4 实验结果与分析 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于匹配度的短文本离群句子定位 | 第35-47页 |
| 3.1 引言 | 第35页 |
| 3.2 预防过拟合和注意力机制 | 第35-39页 |
| 3.2.1 Dropout与EarlyStopping方法 | 第36-37页 |
| 3.2.3 注意力机制 | 第37-39页 |
| 3.3 短文本离群句子定位算法 | 第39-44页 |
| 3.3.1 基于BiGRU+NN的离群句子定位模型 | 第39-41页 |
| 3.3.2 基于MatchGated的主题-对话匹配模型 | 第41-43页 |
| 3.3.3 融合Attention机制的主题-对话匹配模型 | 第43-44页 |
| 3.4 实验结果与分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 基于主题分割技术的对话切分 | 第47-54页 |
| 4.1 引言 | 第47页 |
| 4.2 迁移学习简单介绍 | 第47-49页 |
| 4.3 基于端到端神经网络的主题分割迁移模型 | 第49-51页 |
| 4.4 实验数据介绍和结果分析 | 第51-53页 |
| 4.4.1 TDT2语料库和测试集构造 | 第51-52页 |
| 4.4.2 实验结果与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 结论 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第61-63页 |
| 致谢 | 第63页 |
