| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究的背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 论文的组织结构 | 第16-18页 |
| 第二章 相关理论与技术 | 第18-27页 |
| 2.1 知识库简介 | 第18-19页 |
| 2.2 神经网络和深度学习 | 第19-24页 |
| 2.2.1 卷积神经网络 | 第19-21页 |
| 2.2.2 RNN和LSTM | 第21-23页 |
| 2.2.3 注意力机制 | 第23-24页 |
| 2.3 语义表示学习 | 第24-26页 |
| 2.3.1 词向量 | 第24-25页 |
| 2.3.2 句子的表示 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于深度学习的主题实体抽取模型 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 问题描述 | 第27-28页 |
| 3.3 主题实体抽取模型 | 第28-32页 |
| 3.3.1 模型结构 | 第28页 |
| 3.3.2 结合单词Embedding和字符Embedding的单词表示层 | 第28-30页 |
| 3.3.3 基于双向LSTM的特征表示层 | 第30页 |
| 3.3.4 基于局部上下文的卷积输出层 | 第30-31页 |
| 3.3.5 目标函数 | 第31页 |
| 3.3.6 主题实体抽取 | 第31-32页 |
| 3.4 实验结果与分析 | 第32-34页 |
| 3.4.1 实验数据 | 第32-33页 |
| 3.4.2 实验过程 | 第33页 |
| 3.4.3 结果分析 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于自注意力机制的深度语义表示模型 | 第35-50页 |
| 4.1 引言 | 第35页 |
| 4.2 问题描述 | 第35-36页 |
| 4.3 模型结构 | 第36页 |
| 4.4 基于卷积神经网络的深度语义表示模型 | 第36-38页 |
| 4.5 基于双向LSTM的深度语义表示模型 | 第38-39页 |
| 4.6 基于双向LSTM和卷积网络的深度语义表示模型 | 第39-40页 |
| 4.7 模型训练 | 第40-41页 |
| 4.8 问答系统框架 | 第41-45页 |
| 4.8.1 候选答案检索 | 第41-44页 |
| 4.8.2 答案选择 | 第44-45页 |
| 4.9 实验结果和分析 | 第45-49页 |
| 4.9.1 评价标准 | 第45-46页 |
| 4.9.2 实验设置 | 第46页 |
| 4.9.3 结果分析 | 第46-48页 |
| 4.9.4 候选答案对结果的影响 | 第48-49页 |
| 4.10 本章小结 | 第49-50页 |
| 第五章 深度融合模型 | 第50-60页 |
| 5.1 引言 | 第50页 |
| 5.2 模型结构 | 第50-51页 |
| 5.3 语义特征共享模块 | 第51-52页 |
| 5.4 主题实体抽取模块 | 第52-53页 |
| 5.5 层次化语义表示模块 | 第53-54页 |
| 5.5.1 深度语义表示 | 第53页 |
| 5.5.2 浅层语义表示 | 第53页 |
| 5.5.3 多层语义表示 | 第53-54页 |
| 5.6 谓语关系的层次化语义表示 | 第54-55页 |
| 5.7 目标函数 | 第55页 |
| 5.8 答案生成过程 | 第55-56页 |
| 5.9 实验结果和分析 | 第56-59页 |
| 5.9.1 实验设置 | 第56页 |
| 5.9.2 问答系统结果分析 | 第56-57页 |
| 5.9.3 层次化语义表示模型效果分析 | 第57-58页 |
| 5.9.4 误差分析 | 第58-59页 |
| 5.10 本章小结 | 第59-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 参考文献 | 第62-68页 |
| 致谢 | 第68页 |