基于字词对齐的中文字词向量表示方法
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究问题概述 | 第14-15页 |
| 1.2 研究背景及现状 | 第15-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 本文的结构 | 第17-20页 |
| 第二章 分布式词向量表示方法 | 第20-32页 |
| 2.1 分布式语义表示 | 第20-21页 |
| 2.2 基于矩阵分解的分布式词向量技术 | 第21-23页 |
| 2.2.1 基于矩阵分解表示技术步骤 | 第21页 |
| 2.2.2 显式正定点互信息矩阵表示 | 第21-22页 |
| 2.2.3 分布式表示的奇异值分解 | 第22页 |
| 2.2.4 Global Vectors表示方法 | 第22-23页 |
| 2.3 基于神经网络的词向量表示技术 | 第23-27页 |
| 2.3.1 神经网络语言模型 | 第23-24页 |
| 2.3.2 语言模型 | 第24页 |
| 2.3.3 n元组语言模型 | 第24页 |
| 2.3.4 神经网络语言模型 | 第24-26页 |
| 2.3.5 CBOW和Skip-Gram模型 | 第26-27页 |
| 2.4 中文词向量表示技术 | 第27-30页 |
| 2.4.1 基于位置的消歧方法 | 第28-29页 |
| 2.4.2 基于聚类的表示方法 | 第29页 |
| 2.4.3 非参数化聚类方法 | 第29-30页 |
| 2.5 本章小结 | 第30-32页 |
| 第三章 中文字词联合学习 | 第32-44页 |
| 3.1 获取中文字词的翻译 | 第32-33页 |
| 3.2 基于字词对齐模型的相似度计算 | 第33-37页 |
| 3.2.1 预训练英文词向量 | 第33-34页 |
| 3.2.2 字语义合并 | 第34-35页 |
| 3.2.3 计算字词相似度和消歧 | 第35-37页 |
| 3.3 字词联合训练的字词向量模型 | 第37-41页 |
| 3.3.1 SCWE模型 | 第37-40页 |
| 3.3.2 基于相似度的字词联合学习方法 | 第40-41页 |
| 3.4 模型复杂度分析 | 第41-42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 实验分析 | 第44-58页 |
| 4.1 词向量实验设置 | 第44-45页 |
| 4.1.1 英文词向量的训练 | 第44-45页 |
| 4.1.2 中文词向量的训练 | 第45页 |
| 4.2 语义相关性实验 | 第45-49页 |
| 4.2.1 语料库大小的影响 | 第47-48页 |
| 4.2.2 近邻词汇分析 | 第48-49页 |
| 4.3 文本分类 | 第49-52页 |
| 4.3.1 实验数据介绍 | 第49页 |
| 4.3.2 分类算法和评价标准 | 第49-52页 |
| 4.4 汉字消歧 | 第52-54页 |
| 4.4.1 汉字消歧的量化实验 | 第53页 |
| 4.4.2 字向量在二维平面的显示 | 第53-54页 |
| 4.5 参数分析 | 第54-56页 |
| 4.5.1 建模比例参数β | 第54-55页 |
| 4.5.2 组合词判定阈值λ | 第55-56页 |
| 4.5.3 汉字多义合并阈值δ | 第56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-64页 |
| 在读期间发表的学术论文与取得的研究成果 | 第64页 |
