| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 研究问题及内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 2 汉语韵律结构及其预测模型 | 第16-27页 |
| 2.1 汉语的韵律特征 | 第16-17页 |
| 2.2 汉语的韵律层级结构 | 第17-19页 |
| 2.2.1 词典词 | 第18页 |
| 2.2.2 韵律词 | 第18页 |
| 2.2.3 韵律短语 | 第18-19页 |
| 2.2.4 语调短语 | 第19页 |
| 2.3 韵律结构预测模型 | 第19-26页 |
| 2.3.1 二叉树模型 | 第20-21页 |
| 2.3.2 决策树模型 | 第21-22页 |
| 2.3.3 相似句模型 | 第22-23页 |
| 2.3.4 隐马尔科夫模型 | 第23-24页 |
| 2.3.5 最大熵模型 | 第24-25页 |
| 2.3.6 各模型比较 | 第25-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 词向量及深度神经网络 | 第27-45页 |
| 3.1 词向量表达方式 | 第27-28页 |
| 3.1.1 离散表达方式(One-Hot Representation) | 第27-28页 |
| 3.1.2 分布式表达方式(Word Embedding/Word2Vec) | 第28页 |
| 3.2 词向量使用(Word2Vec) | 第28-31页 |
| 3.2.1 CBOW模型 | 第29-30页 |
| 3.2.2 Skip-Gram模型 | 第30-31页 |
| 3.3 深度神经网络 | 第31-39页 |
| 3.3.1 网络基本结构及原理 | 第31-35页 |
| 3.3.2 循环神经网络(RNN) | 第35-37页 |
| 3.3.3 长短时记忆单元(LSTM) | 第37-39页 |
| 3.4 基于深度学习的韵律结构预测模型设计 | 第39-44页 |
| 3.4.1 输入特征设计 | 第39-41页 |
| 3.4.2 神经网络模型设计 | 第41-43页 |
| 3.4.3 韵律结构预测模块设计 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 深度学习在韵律结构预测中的应用 | 第45-69页 |
| 4.1 数据库准备 | 第45-48页 |
| 4.1.1 新闻语料库 | 第45-46页 |
| 4.1.2 韵律层级标注语料库 | 第46-48页 |
| 4.2 分词 | 第48-50页 |
| 4.2.1 分词工具安装 | 第49页 |
| 4.2.2 实现新闻语料分词 | 第49-50页 |
| 4.3 训练词向量 | 第50-54页 |
| 4.3.1 训练过程 | 第50-51页 |
| 4.3.2 训练步骤 | 第51-52页 |
| 4.3.3 训练结果 | 第52-54页 |
| 4.4 特征准备 | 第54-57页 |
| 4.4.1 CNTKTextFormatReader数据格式 | 第54-55页 |
| 4.4.2 网络输入特征 | 第55-57页 |
| 4.5 网络搭建 | 第57-62页 |
| 4.5.1 网络定义 | 第57-58页 |
| 4.5.2 网络训练 | 第58-61页 |
| 4.5.3 测试网络模型 | 第61-62页 |
| 4.6 实验结果对比分析 | 第62-68页 |
| 4.6.1 输入特征选择 | 第63页 |
| 4.6.2 输入特征维度选择 | 第63-64页 |
| 4.6.3 网络结构选择 | 第64-65页 |
| 4.6.4 网络模型改进 | 第65-68页 |
| 4.7 本章小结 | 第68-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-74页 |
| 附录A | 第74-76页 |
| 附录B | 第76-78页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第78-80页 |
| 学位论文数据集 | 第80页 |
