基于文本表示学习的实体消歧研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 第1章 绪论 | 第13-31页 |
| 1.1 课题背景及研究意义 | 第13-15页 |
| 1.2 研究现状及分析 | 第15-28页 |
| 1.2.1 实体消歧 | 第15-24页 |
| 1.2.2 文本语义表示学习 | 第24-28页 |
| 1.3 本文的主要研究内容及章节安排 | 第28-31页 |
| 第2章 融合构词特征的字向量表示学习 | 第31-47页 |
| 2.1 引言 | 第31-32页 |
| 2.2 相关工作 | 第32-36页 |
| 2.3 融合构词特征的字向量学习算法 | 第36-40页 |
| 2.3.1 基于上下文的字向量学习算法 | 第36-38页 |
| 2.3.2 融合部首的字向量学习算法 | 第38-40页 |
| 2.4 实验设置及结果分析 | 第40-46页 |
| 2.4.1 相近语义一致性判别结果分析 | 第41-42页 |
| 2.4.2 基于字向量的分词结果分析 | 第42-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于语义组合的实体消歧 | 第47-67页 |
| 3.1 引言 | 第47-49页 |
| 3.2 文本的语义组合性 | 第49-53页 |
| 3.3 基于语义组合的实体消歧模型 | 第53-61页 |
| 3.3.1 文本的向量化语义表示 | 第54-57页 |
| 3.3.2 语义组合性学习 | 第57-58页 |
| 3.3.3 语义相似度计算 | 第58-59页 |
| 3.3.4 模型训练 | 第59-61页 |
| 3.4 实验设置及结果分析 | 第61-66页 |
| 3.4.1 实验设置 | 第62-63页 |
| 3.4.2 实验结果与分析 | 第63-66页 |
| 3.5 本章小结 | 第66-67页 |
| 第4章 基于记忆网络的实体消歧 | 第67-84页 |
| 4.1 引言 | 第67-68页 |
| 4.2 基于记忆网络的实体消歧模型 | 第68-76页 |
| 4.2.1 记忆网络概述 | 第68-70页 |
| 4.2.2 注意力机制简介 | 第70-72页 |
| 4.2.3 基于记忆网络的实体消歧模型整体框架 | 第72-73页 |
| 4.2.4 融合内容和位置信息的注意力机制 | 第73-75页 |
| 4.2.5 模型训练 | 第75-76页 |
| 4.3 实验设置及结果分析 | 第76-83页 |
| 4.3.1 实验设置 | 第76-77页 |
| 4.3.2 实验结果与分析 | 第77-83页 |
| 4.4 本章小结 | 第83-84页 |
| 第5章 面向搜索引擎的实体型查询消歧 | 第84-104页 |
| 5.1 引言 | 第84-87页 |
| 5.2 基于查询历史的实体消歧 | 第87-92页 |
| 5.2.1 查询历史无关的实体消歧模型 | 第90页 |
| 5.2.2 融合搜索历史的实体消歧模型 | 第90-92页 |
| 5.3 实验设置及结果分析 | 第92-103页 |
| 5.3.1 数据集构建 | 第92-96页 |
| 5.3.2 基于词的实体消歧实验结果 | 第96-101页 |
| 5.3.3 基于字的实体消歧实验结果 | 第101-103页 |
| 5.4 本章小结 | 第103-104页 |
| 结论 | 第104-106页 |
| 参考文献 | 第106-127页 |
| 攻读博士学位期间发表的论文及其他成果 | 第127-129页 |
| 致谢 | 第129-130页 |
| 个人简历 | 第130页 |
