| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究任务的明确定义 | 第9页 |
| 1.2 研究的背景及意义 | 第9-10页 |
| 1.3 研究现状 | 第10-13页 |
| 1.4 研究路线 | 第13页 |
| 1.5 本文的结构 | 第13-15页 |
| 第2章 基于线性变换的模型与Biskip模型 | 第15-30页 |
| 2.1 词的分布式表示 | 第15-16页 |
| 2.2 分布式表示的训练方法 | 第16-23页 |
| 2.3 基于跨语言此项映射的跨语言词向量及跨语言文本分类 | 第23-30页 |
| 2.3.1 BiLinear方法 | 第24-27页 |
| 2.3.2 BiCCA方法 | 第27-28页 |
| 2.3.3 Biskip模型 | 第28-30页 |
| 第3章 跨语言词向量和分类模型联合训练 | 第30-49页 |
| 3.1 基于线性映射和分类器联合训练的跨语言文本分类 | 第30-32页 |
| 3.2 基于Biskip模型与分类器联合训练的跨语言文本分类 | 第32-34页 |
| 3.3 文本分类模型的改进 | 第34-46页 |
| 3.3.1 文本卷积分类器 | 第35-36页 |
| 3.3.2 循环卷积模型 | 第36-38页 |
| 3.3.3 分层注意力机制模型HAN | 第38-42页 |
| 3.3.4 XGBoost | 第42-46页 |
| 3.4 实验 | 第46-49页 |
| 3.4.1 RCV1/RCV2跨语言文本分类数据集实验 | 第46-47页 |
| 3.4.2 TED跨语言文本分类数据集实验 | 第47-49页 |
| 第4章 基于跨语言句意匹配的跨语言文本分类 | 第49-62页 |
| 4.1 句子编码器 | 第51-57页 |
| 4.1.1 利用卷积捕获局部信息 | 第51-52页 |
| 4.1.2 利用multi-head注意力机制捕获长距离依赖 | 第52-56页 |
| 4.1.3 前馈神经网络 | 第56页 |
| 4.1.4 位置编码、残差连接 | 第56-57页 |
| 4.2 模型的训练 | 第57-58页 |
| 4.3 分类器的训练 | 第58-59页 |
| 4.4 实验 | 第59-62页 |
| 4.4.1 RCV1/RCV2跨语言文本分类实验 | 第59页 |
| 4.4.2 TED跨语言文本分类实验 | 第59-60页 |
| 4.4.3 单语文本分类实验 | 第60-62页 |
| 结论 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间发表的论文 | 第67-69页 |
| 致谢 | 第69页 |
