领域问答系统中问句相似度计算方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究的目的和意义 | 第9-11页 |
| 1.2 与本课题有关的国内外研究状况 | 第11-16页 |
| 1.2.1 问答系统的研究现状 | 第11-13页 |
| 1.2.2 文本词向量的研究现状 | 第13-14页 |
| 1.2.3 文本相似度计算的研究现状 | 第14-16页 |
| 1.3 本文的主要研究内容及论文结构 | 第16-19页 |
| 1.3.1 基于词向量的问句相似度计算 | 第16-17页 |
| 1.3.2 基于深度学习的问句相似度计算 | 第17-19页 |
| 第2章 基于词向量的问句相似度 | 第19-37页 |
| 2.1 本章相关技术和理论 | 第19-20页 |
| 2.1.1 WMD算法 | 第19-20页 |
| 2.1.2 BPE算法 | 第20页 |
| 2.2 基于词向量的问句相似度处理流程 | 第20-21页 |
| 2.3 WORD2VEC词向量模型的优化 | 第21-31页 |
| 2.3.1 近反义词处理 | 第21-26页 |
| 2.3.2 未登录词处理 | 第26-31页 |
| 2.4 相似度计算方案改进 | 第31-35页 |
| 2.5 相似度计算综合实验结果 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第3章 基于深度学习的问句相似度 | 第37-55页 |
| 3.1 本章相关技术和理论 | 第37-41页 |
| 3.1.1 LSTM网络模型 | 第37-39页 |
| 3.1.2 CNN网络模型 | 第39-40页 |
| 3.1.3 Attention机制 | 第40-41页 |
| 3.2 基于深度学习相似度计算总体方案设计 | 第41-42页 |
| 3.3 基于深度学习候选知识库构建 | 第42-50页 |
| 3.3.1 基于LSTM的孪生网络 | 第42-45页 |
| 3.3.2 基于L_CNN的孪生网络 | 第45-46页 |
| 3.3.3 C_Attention的孪生网络 | 第46-50页 |
| 3.4 精确匹配 | 第50-53页 |
| 3.4.1 SAT模型 | 第50-52页 |
| 3.4.2 精确匹配流程 | 第52-53页 |
| 3.5 相似度计算综合实验结果 | 第53-54页 |
| 3.6 本章小结 | 第54-55页 |
| 第4章 问句相似度计算工具的实现 | 第55-62页 |
| 4.1 工具需求分析 | 第55页 |
| 4.2 工具结构设计 | 第55-56页 |
| 4.3 工具具体实现 | 第56-58页 |
| 4.4 工具测试 | 第58-61页 |
| 4.4.1 功能测试 | 第58-60页 |
| 4.4.2 性能测试 | 第60-61页 |
| 4.5 测试结论 | 第61页 |
| 4.6 本章小结 | 第61-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-68页 |
| 致谢 | 第68-69页 |
| 个人简历 | 第69页 |
