| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于字符串相似性度量 | 第9页 |
| 1.2.2 基于语料库相似性度量 | 第9-10页 |
| 1.2.3 混合相似性度量 | 第10-11页 |
| 1.2.4 基于深度学习相似性度量 | 第11-12页 |
| 1.3 论文的结构安排 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-26页 |
| 2.1 深度学习算法 | 第14-19页 |
| 2.1.1 受限玻尔兹曼机 | 第14-17页 |
| 2.1.2 深度置信网络 | 第17-19页 |
| 2.2 Word2Vec | 第19-24页 |
| 2.2.1 神经网络语言模型 | 第19-21页 |
| 2.2.2 CBOW 模型 | 第21-23页 |
| 2.2.3 Skip-gram 模型 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 无监督的短文本相似度计算 | 第26-40页 |
| 3.1 EMD (Earth Mover's Distance) | 第26-29页 |
| 3.1.1 EMD介绍 | 第26-28页 |
| 3.1.2 EMD应用 | 第28-29页 |
| 3.2 结合语义和语法的短文本相似度计算 | 第29-34页 |
| 3.2.1 基于层次聚类构建词语权重向量 | 第29-31页 |
| 3.2.2 短文本词序位置相似度计算 | 第31-32页 |
| 3.2.3 混合策略短文本相似度计算 | 第32-34页 |
| 3.3 实验验证 | 第34-39页 |
| 3.3.1 数据集 | 第34-35页 |
| 3.3.2 词向量 | 第35-36页 |
| 3.3.3 实验结果与分析 | 第36-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 有监督的短文本相似度计算 | 第40-52页 |
| 4.1 基于Word2Vec的短文本语义扩展 | 第40-43页 |
| 4.1.1 相关研究 | 第40-42页 |
| 4.1.2 算法流程 | 第42-43页 |
| 4.2 基于CNN的短文本相似度计算 | 第43-47页 |
| 4.2.1 模型架构 | 第44-45页 |
| 4.2.2 语义扩展层 | 第45页 |
| 4.2.3 卷积层 | 第45-46页 |
| 4.2.4 池化层 | 第46页 |
| 4.2.5 全连接层 | 第46页 |
| 4.2.6 Dropout层 | 第46-47页 |
| 4.2.7 激活层 | 第47页 |
| 4.3 实验验证 | 第47-50页 |
| 4.3.1 数据集 | 第48页 |
| 4.3.2 评价指标 | 第48-49页 |
| 4.3.3 实验结果与分析 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 基于短文本相似度的网络故障工单智能质检 | 第52-62页 |
| 5.1 研究现状与意义 | 第52-56页 |
| 5.1.1 国内外研究现状分析 | 第52-54页 |
| 5.1.2 网络运维及工单质检现状 | 第54-56页 |
| 5.1.3 研究意义 | 第56页 |
| 5.2 基于短文本相似度的工单智能质检 | 第56-58页 |
| 5.2.1 构造知识库 | 第57页 |
| 5.2.2 非结构化数据相似度计算 | 第57页 |
| 5.2.3 相关实验 | 第57-58页 |
| 5.3 工单智能质检系统设计与实现 | 第58-60页 |
| 5.3.1 工单智能质检流程 | 第58-59页 |
| 5.3.2 系统开发与测试 | 第59-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第六章 总结与展望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |