高校教学问答服务机器人的应用研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-25页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 自动问答服务机器人研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 短文本文本分类研究现状 | 第15-19页 |
| 1.3.1 基于领域关键字的短文本分类方法 | 第16页 |
| 1.3.2 基于kNN的短文本分类方法 | 第16-17页 |
| 1.3.3 基于SVM的短文本分类算法 | 第17页 |
| 1.3.4 基于卷积神经网络的短文本分类 | 第17-19页 |
| 1.4 短文本文本相似度研究现状 | 第19-21页 |
| 1.4.1 基于向量空间模型的相似度计算 | 第19-20页 |
| 1.4.2 基于“知网”语义的相似的计算 | 第20页 |
| 1.4.3 基于LDA模型的相似度计算 | 第20-21页 |
| 1.5 论文主要工作 | 第21-25页 |
| 1.5.1 论文组织结构 | 第23-25页 |
| 第2章 文本预处理及文本表示 | 第25-33页 |
| 2.1 文本预处理 | 第25-27页 |
| 2.1.1 正则去燥 | 第26页 |
| 2.1.2 去停用词 | 第26-27页 |
| 2.1.3 分词及词性标注 | 第27页 |
| 2.2 文本表示方法 | 第27-31页 |
| 2.2.1 TF-IDF | 第28-29页 |
| 2.2.2 Word2vec | 第29-30页 |
| 2.2.3 LDA主题模型 | 第30-31页 |
| 2.3 本章小结 | 第31-33页 |
| 第3章 短文本分类 | 第33-39页 |
| 3.1 引言 | 第33页 |
| 3.2 算法思想 | 第33-36页 |
| 3.2.1 训练词向量 | 第34页 |
| 3.2.2 训练主题向量 | 第34-35页 |
| 3.2.3 向量拼接 | 第35页 |
| 3.2.4 卷积神经网络 | 第35-36页 |
| 3.3 实验分析 | 第36-38页 |
| 3.3.1 实验数据来源 | 第36页 |
| 3.3.2 实验结果 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 短文本相似度计算 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 算法思想 | 第39-44页 |
| 4.2.1 主题相似度因子提取 | 第40-41页 |
| 4.2.2 词语共现度因子提取 | 第41-42页 |
| 4.2.3 联合相似度计算 | 第42-44页 |
| 4.3 实验分析 | 第44-47页 |
| 4.3.1 数据来源 | 第44页 |
| 4.3.2 评估指标 | 第44页 |
| 4.3.3 实验结果 | 第44-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 系统实现 | 第49-59页 |
| 5.1 FAQ问答对的搜集与组织 | 第49-54页 |
| 5.1.1 封闭领域数据提取 | 第49-50页 |
| 5.1.2 领域关键字词典 | 第50-52页 |
| 5.1.3 二级类别标注 | 第52-53页 |
| 5.1.4 构建知识数据库 | 第53-54页 |
| 5.2 算法应用 | 第54-56页 |
| 5.2.1 短文本分类算法应用 | 第55页 |
| 5.2.2 短文本相似度应用 | 第55-56页 |
| 5.3 机器人原型实现 | 第56-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第67页 |
