基于深度学习的检索模型
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状及分析 | 第11-18页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.2.3 国内外研究路线简析 | 第14-18页 |
| 1.3 本文主要研究内容 | 第18页 |
| 1.4 论文主要组织结构 | 第18-19页 |
| 第2章 基于词向量的相似度矩阵 | 第19-33页 |
| 2.1 词向量来源 | 第19-24页 |
| 2.2 词向量相似度度量 | 第24-25页 |
| 2.2.1 相似度变换 | 第24页 |
| 2.2.2 相似度学习 | 第24-25页 |
| 2.3 基于伪相关反馈的查询词扩展 | 第25-27页 |
| 2.4 实验设置 | 第27-30页 |
| 2.4.1 实验数据集 | 第27-28页 |
| 2.4.2 实验框架 | 第28-30页 |
| 2.5 实验结果 | 第30-33页 |
| 2.5.1 词向量来源对比实验 | 第30-31页 |
| 2.5.2 相似度度量对比实验 | 第31-32页 |
| 2.5.3 查询词扩展实验 | 第32-33页 |
| 第3章 相似度信号表示方法 | 第33-58页 |
| 3.1 相似度矩阵 | 第33-35页 |
| 3.2 基于分布统计的特征抽取 | 第35-42页 |
| 3.2.1 基于经验的核参数调节方法 | 第35-41页 |
| 3.2.2 再离散化的分布统计 | 第41-42页 |
| 3.3 基于卷积和池化的相似度建模 | 第42-47页 |
| 3.3.1 基于池化的全局信息建模 | 第46页 |
| 3.3.2 基于卷积的上下文信息建模 | 第46-47页 |
| 3.4 基于循环神经网络的篇章建模 | 第47-51页 |
| 3.5 实验设置 | 第51-52页 |
| 3.6 实验结果 | 第52-58页 |
| 3.6.1 基于经验的核参数调节结果 | 第52-53页 |
| 3.6.2 再离散化的分布统计结果 | 第53-54页 |
| 3.6.3 基于池化的全局建模结果 | 第54-55页 |
| 3.6.4 基于卷积和池化的建模结果 | 第55-56页 |
| 3.6.5 基于循环神经网络的篇章建模结果 | 第56-58页 |
| 第4章 基于相似度信号的深度检索模型 | 第58-68页 |
| 4.1 模型训练 | 第59-60页 |
| 4.2 查询特征聚合 | 第60-62页 |
| 4.3 层次化的相似度信号表示 | 第62-63页 |
| 4.4 实验设置 | 第63-65页 |
| 4.5 实验结果 | 第65-68页 |
| 4.5.1 正则化结果 | 第65-66页 |
| 4.5.2 查询级别信号聚合结果 | 第66页 |
| 4.5.3 层次化相似度表示结果 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第76-78页 |
| 致谢 | 第78页 |
