基于词向量的中文分词方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 论文的研究内容和组织结构 | 第14-16页 |
| 1.3.1 论文主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-16页 |
| 第2章 相关理论与技术 | 第16-28页 |
| 2.1 引言 | 第16页 |
| 2.2 统计语言模型 | 第16-21页 |
| 2.2.1 N-gram模型 | 第17-18页 |
| 2.2.2 隐马尔科夫模型 | 第18-19页 |
| 2.2.3 最大熵模型 | 第19-20页 |
| 2.2.4 维度灾难和词汇鸿沟 | 第20-21页 |
| 2.3 神经概率语言模型 | 第21-26页 |
| 2.3.1 前馈神经概率语言模型 | 第22-24页 |
| 2.3.2 层级对数概率语言模型 | 第24-25页 |
| 2.3.3 循环神经概率语言模型 | 第25-26页 |
| 2.4 词向量 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 语义信息丰富化的中文词向量 | 第28-48页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关概念与定义 | 第29-30页 |
| 3.3 含有偏旁信息的中文词向量 | 第30-39页 |
| 3.3.1 谷歌的Word2Vec模型 | 第31-33页 |
| 3.3.2 含有中文偏旁特征的词向量模型 | 第33-39页 |
| 3.4 词向量效用评估 | 第39-41页 |
| 3.4.1 词向量相似性评估 | 第40页 |
| 3.4.2 中文分词评估 | 第40-41页 |
| 3.5 实验对比结果及分析 | 第41-46页 |
| 3.5.1 实验说明 | 第41-43页 |
| 3.5.2 实验评价方法 | 第43页 |
| 3.5.3 实验结果及分析 | 第43-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于词向量的中文分词算法 | 第48-60页 |
| 4.1 引言 | 第48-49页 |
| 4.2 中文分词模型结构 | 第49-53页 |
| 4.2.1 字向量表示层 | 第50-51页 |
| 4.2.2 分词标签评分层 | 第51-52页 |
| 4.2.3 分词标签推断层 | 第52-53页 |
| 4.3 中文分词模型训练算法 | 第53-54页 |
| 4.4 实验对比结果及分析 | 第54-57页 |
| 4.4.1 实验说明 | 第55页 |
| 4.4.2 实验评价方法 | 第55页 |
| 4.4.3 实验结果及分析 | 第55-57页 |
| 4.5 本章小结 | 第57-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-68页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第68-70页 |
| 致谢 | 第70页 |
