首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

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

论文共67页,点击 下载论文
上一篇:模型切片技术及其在软件演化领域的应用
下一篇:行政执法监察信息系统设计与实现