基于排序学习的问答系统研究
摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-15页 |
1.1 课题背景与意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-13页 |
1.2.1 问答系统相关研究现状 | 第10-11页 |
1.2.2 基于相关度计算的排序方法 | 第11-12页 |
1.2.3 基于监督学习的排序方法 | 第12-13页 |
1.3 论文研究内容及创新点 | 第13-14页 |
1.4 论文组织架构 | 第14-15页 |
第二章 相关理论及方法 | 第15-26页 |
2.1 文本表示模型 | 第15-17页 |
2.1.1 布尔模型 | 第15页 |
2.1.2 向量空间模型 | 第15-16页 |
2.1.3 统计主题模型 | 第16-17页 |
2.2 排序学习方法 | 第17-22页 |
2.2.1 基于单个样本的Pointwise算法 | 第17-18页 |
2.2.2 基于样本对的Pairwise算法 | 第18-21页 |
2.2.3 基于样本队列的Listwise算法 | 第21-22页 |
2.3 词向量及其在短文本相似度中的应用 | 第22-24页 |
2.3.1 CBOW和Skip-Gram模型 | 第22-24页 |
2.3.2 词向量在短文本相似度计算中的应用 | 第24页 |
2.4 本章小结 | 第24-26页 |
第三章 基于排序学习的特征处理 | 第26-40页 |
3.1 排序学习的处理逻辑 | 第26-27页 |
3.2 排序特征提取 | 第27-31页 |
3.2.1 基于初级文本的特征提取 | 第27-30页 |
3.2.2 基于高级文本的特征提取 | 第30-31页 |
3.3 排序特征优化 | 第31-35页 |
3.3.1 特征的归一化处理 | 第31-32页 |
3.3.2 基于主成份分析的特征扩展 | 第32-33页 |
3.3.3 基于排序学习算法隐含的特征选择 | 第33-35页 |
3.4 实验结果与分析 | 第35-39页 |
3.4.1 实验设置 | 第35-36页 |
3.4.2 排序评价指标 | 第36-37页 |
3.4.3 特征处理前后的排序性能对比 | 第37-39页 |
3.5 本章小结 | 第39-40页 |
第四章 基于多特征融合的短文本相似度量模型 | 第40-50页 |
4.1 基于SkipGram的短文本词向量模型 | 第40-41页 |
4.2 文本相似度计算方法 | 第41-44页 |
4.3 基于多特征融合的短文本相似度计算方法 | 第44-47页 |
4.3.1 引入基于EMD距离的相似度 | 第44-46页 |
4.3.2 多特征融合相似度计算 | 第46-47页 |
4.4 实验结果与分析 | 第47-49页 |
4.4.1 实验设置 | 第47-48页 |
4.4.2 不同距离度量对相似度计算结果的影响 | 第48页 |
4.4.3 单一特征与多特征的性能对比 | 第48-49页 |
4.5 本章小结 | 第49-50页 |
第五章 基于排序学习的问答系统设计 | 第50-61页 |
5.1 系统框架 | 第50页 |
5.2 问题理解模块 | 第50-55页 |
5.2.1 分词和词性标注 | 第51-53页 |
5.2.2 关键词抽取与扩展 | 第53-55页 |
5.3 信息检索模块 | 第55-56页 |
5.4 答案排序模型的构建 | 第56-59页 |
5.5 系统界面 | 第59-60页 |
5.6 本章小结 | 第60-61页 |
第六章 总结与展望 | 第61-63页 |
6.1 本文总结 | 第61页 |
6.2 工作展望 | 第61-63页 |
参考文献 | 第63-66页 |
附录 2 攻读硕士学位期间撰写的论文 | 第66-67页 |
致谢 | 第67页 |