| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外相关工作概述 | 第11-21页 |
| 1.2.1 基于传统方法的诗歌生成 | 第11-16页 |
| 1.2.2 基于深度学习技术的诗歌生成 | 第16-21页 |
| 1.3 本文主要研究内容与组织结构 | 第21-24页 |
| 1.3.1 主要研究内容 | 第21-22页 |
| 1.3.2 主要创新点 | 第22页 |
| 1.3.3 组织结构 | 第22-24页 |
| 第二章 自然语言处理技术基础 | 第24-35页 |
| 2.1 中文关键词抽取技术 | 第24-30页 |
| 2.1.1 关键词的定义 | 第24页 |
| 2.1.2 关键词抽取模型 | 第24-29页 |
| 2.1.3 存在的问题 | 第29-30页 |
| 2.2 词向量 | 第30-34页 |
| 2.2.1 词向量简介 | 第30-31页 |
| 2.2.2 词向量生成工具—Word2vector | 第31-34页 |
| 2.3 本章小结 | 第34-35页 |
| 第三章 深度学习理论基础 | 第35-45页 |
| 3.1 深度学习的发展 | 第35-36页 |
| 3.2 循环神经网络(RNN) | 第36-39页 |
| 3.2.1 RNN的基本结构 | 第36-37页 |
| 3.2.2 正向传播 | 第37页 |
| 3.2.3 反向传播 | 第37-38页 |
| 3.2.4 RNN的梯度消失问题 | 第38-39页 |
| 3.3 长短期记忆网络(LSTM) | 第39-41页 |
| 3.3.1 LSTM的结构 | 第39-40页 |
| 3.3.2 LSTM的正向传播 | 第40-41页 |
| 3.3.3 LSTM的反向传播 | 第41页 |
| 3.4 编码器-解码器模型 | 第41-44页 |
| 3.4.1 经典编码器-解码器模型 | 第42-43页 |
| 3.4.2 基于注意力机制的编码器-解码器模型 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 多维情感判定机制的诗歌生成模型的设计 | 第45-55页 |
| 4.1 总体框架 | 第45-46页 |
| 4.2 主题设计模块 | 第46-47页 |
| 4.3 诗歌生成模块 | 第47-49页 |
| 4.3.1 模型设计 | 第47-49页 |
| 4.3.2 模型数据处理 | 第49页 |
| 4.4 多维情感判定模块 | 第49-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 实验设计和结果分析 | 第55-60页 |
| 5.1 实验环境 | 第55页 |
| 5.2 实验数据 | 第55页 |
| 5.3 训练 | 第55-56页 |
| 5.4 诗歌模型图灵测试 | 第56-57页 |
| 5.4.1 实验设计 | 第56页 |
| 5.4.2 实验结果分析 | 第56-57页 |
| 5.5 诗歌模型综合对比 | 第57-58页 |
| 5.5.1 实验设计 | 第57页 |
| 5.5.2 实验结果分析 | 第57-58页 |
| 5.6 本章小结 | 第58-60页 |
| 第六章 总结和展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 附录 | 第66-72页 |