| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 国内外研究现状 | 第15-28页 |
| 1.1.1 自然语言语义表征技术现状 | 第15-22页 |
| 1.1.2 自然语言推理技术现状 | 第22-26页 |
| 1.1.3 自动文本摘要技术现状 | 第26-28页 |
| 1.2 本文主要内容及组织结构 | 第28-30页 |
| 1.2.1 主要内容 | 第28-29页 |
| 1.2.2 组织结构 | 第29-30页 |
| 第2章 基于通用池化的句子语义表征方法 | 第30-42页 |
| 2.1 概述 | 第30-31页 |
| 2.2 基于通用池化的句子语义表征方法 | 第31-34页 |
| 2.2.1 句子编码器 | 第31-32页 |
| 2.2.2 通用池化方法 | 第32-33页 |
| 2.2.3 顶层的分类器 | 第33-34页 |
| 2.3 实验设置 | 第34-35页 |
| 2.3.1 数据描述 | 第34-35页 |
| 2.3.2 训练细节 | 第35页 |
| 2.4 实验结果 | 第35-39页 |
| 2.4.1 实验结果概述 | 第35-37页 |
| 2.4.2 详细分析 | 第37-39页 |
| 2.5 本章小结 | 第39-42页 |
| 第3章 结合句法结构与序列建模的句子语义表征与自然语言推理方法 | 第42-56页 |
| 3.1 概述 | 第42-43页 |
| 3.2 结合句法结构与序列建模的自然语言推理方法 | 第43-49页 |
| 3.2.1 输入编码组件 | 第44-46页 |
| 3.2.2 局部推理建模组件 | 第46-48页 |
| 3.2.3 推理组合组件 | 第48-49页 |
| 3.2.4 混合推理模型 | 第49页 |
| 3.3 实验设置 | 第49-50页 |
| 3.3.1 实验数据 | 第49-50页 |
| 3.3.2 训练细节 | 第50页 |
| 3.4 实验结果 | 第50-53页 |
| 3.4.1 实验结果概述 | 第50-52页 |
| 3.4.2 消融分析实验 | 第52页 |
| 3.4.3 特例分析 | 第52-53页 |
| 3.5 本章小结 | 第53-56页 |
| 第4章 融合外部语义知识的句子语义表征与自然语言推理方法 | 第56-70页 |
| 4.1 概述 | 第56-57页 |
| 4.2 融合外部语义知识的自然语言推理方法 | 第57-61页 |
| 4.2.1 外部语义知识 | 第57-58页 |
| 4.2.2 输入编码方法 | 第58页 |
| 4.2.3 知识增强的协同注意力计算方法 | 第58-59页 |
| 4.2.4 知识增强的局部推理收集方法 | 第59-60页 |
| 4.2.5 知识增强的推理组合方法 | 第60-61页 |
| 4.3 实验设置 | 第61-63页 |
| 4.3.1 外部语义知识表征 | 第61-62页 |
| 4.3.2 自然语言推理数据集 | 第62-63页 |
| 4.3.3 训练细节 | 第63页 |
| 4.4 实验结果 | 第63-67页 |
| 4.4.1 实验结果概述 | 第63-65页 |
| 4.4.2 消融分析实验 | 第65-66页 |
| 4.4.3 推理类别分析 | 第66-67页 |
| 4.4.4 特例分析 | 第67页 |
| 4.5 本章小结 | 第67-70页 |
| 第5章 考虑语义分散力机制的篇章语义表征与自动文本摘要方法 | 第70-82页 |
| 5.1 概述 | 第70-71页 |
| 5.2 考虑语义分散力机制的自动文本摘要方法 | 第71-76页 |
| 5.2.1 基于门限循环单元的编码器和解码器 | 第71-73页 |
| 5.2.2 认知控制层 | 第73-76页 |
| 5.2.3 针对文本摘要的未知词替代技术 | 第76页 |
| 5.3 实验设置 | 第76-78页 |
| 5.3.1 数据 | 第76-77页 |
| 5.3.2 训练细节 | 第77-78页 |
| 5.4 实验结果 | 第78-80页 |
| 5.4.1 CNN数据集上的结果 | 第78-80页 |
| 5.4.2 LCSTS数据集上的结果 | 第80页 |
| 5.5 本章小结 | 第80-82页 |
| 第6章 总结 | 第82-84页 |
| 6.1 本文的主要贡献与创新点 | 第82页 |
| 6.2 后续的研究工作 | 第82-84页 |
| 参考文献 | 第84-99页 |
| 在读期间发表的学术论文与取得的研究成果 | 第99-101页 |
| 致谢 | 第101页 |
