| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外相关技术研究现状分析 | 第11-13页 |
| 1.2.1 语义表示模型的研究现状 | 第11-12页 |
| 1.2.2 语义表示模型稀疏性及语义组合的研究 | 第12-13页 |
| 1.3 本文的主要研究内容 | 第13页 |
| 1.4 章节内容组织结构 | 第13-15页 |
| 第2章 语义表示模型研究 | 第15-25页 |
| 2.1 分布式语义模型 | 第15-16页 |
| 2.2 基于词语上下文特征的语义表示 | 第16-18页 |
| 2.2.1 One-hot表示法 | 第16-17页 |
| 2.2.2 基于共现矩阵的语义表示模型 | 第17-18页 |
| 2.2.3 基于聚类的语义模型 | 第18页 |
| 2.3 基于神经网络语言模型的语义表示 | 第18-22页 |
| 2.3.1 引言 | 第18-20页 |
| 2.3.2 Word2Vec模型 | 第20-21页 |
| 2.3.3 SENNA | 第21-22页 |
| 2.3.4 Hierarchical Log-Bilinear | 第22页 |
| 2.3.5 总结 | 第22页 |
| 2.4 基于结构的语义表示模型 | 第22-23页 |
| 2.4.1 结构语义模型介绍 | 第22-23页 |
| 2.4.2 结构语义模型分析 | 第23页 |
| 2.5 语义表示模型的应用 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 基于依存关系的语义表示模型 | 第25-45页 |
| 3.1 引言 | 第25-26页 |
| 3.2 模型框架 | 第26-27页 |
| 3.3 依存关系语义模型的相关技术 | 第27-28页 |
| 3.4 构建语义表示 | 第28-32页 |
| 3.4.1 建立词表 | 第28页 |
| 3.4.2 依存关系抽取 | 第28-29页 |
| 3.4.3 特征选择 | 第29-32页 |
| 3.5 特征降维 | 第32-38页 |
| 3.5.1 数据稀疏性 | 第32页 |
| 3.5.2 基于TF-IDF降维 | 第32-33页 |
| 3.5.3 基于Word Net降维 | 第33-34页 |
| 3.5.4 基于SVD降维 | 第34-38页 |
| 3.6 基于深度学习的模型优化 | 第38-41页 |
| 3.6.1 自编码器和堆栈自编码器 | 第38-40页 |
| 3.6.2 基于栈式自编码器的模型优化 | 第40-41页 |
| 3.7 语义组合 | 第41-44页 |
| 3.7.1 基于向量运算的语义组合 | 第41-43页 |
| 3.7.2 消减依存关系语义组合 | 第43-44页 |
| 3.8 本章小结 | 第44-45页 |
| 第4章 实验结果与分析 | 第45-64页 |
| 4.1 实验环境 | 第45页 |
| 4.2 实验数据 | 第45-46页 |
| 4.3 预处理 | 第46-51页 |
| 4.3.1 语料 | 第46页 |
| 4.3.2 文本规范处理 | 第46-48页 |
| 4.3.3 依存关系抽取 | 第48-51页 |
| 4.4 词对相似度评分 | 第51-60页 |
| 4.4.1 实验内容 | 第51-53页 |
| 4.4.2 实验分析 | 第53-60页 |
| 4.5 同义词候选 | 第60-61页 |
| 4.5.1 实验内容 | 第60页 |
| 4.5.2 实验结果及分析 | 第60-61页 |
| 4.6 词对关系分类 | 第61-62页 |
| 4.6.1 实验内容 | 第61页 |
| 4.6.2 实验结果 | 第61-62页 |
| 4.7 短语相似度评测任务 | 第62-63页 |
| 4.7.1 实验内容 | 第62页 |
| 4.7.2 实验结果 | 第62-63页 |
| 4.8 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |