交互式问答中的语句关系识别方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究的背景及意义 | 第9-10页 |
| 1.3 国内外相关技术研究现状分析 | 第10-15页 |
| 1.3.1 问答系统与评测现状 | 第10-13页 |
| 1.3.2 传统自动问答技术研究现状 | 第13-14页 |
| 1.3.3 基于深度学习的自动问答技术研究现状 | 第14-15页 |
| 1.4 本文主要研究内容 | 第15-16页 |
| 1.5 论文的组织与结构 | 第16-17页 |
| 第2章 问答语句关系识别相关技术介绍 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 浅层机器学习方法相关技术介绍 | 第17-18页 |
| 2.3 深度学习方法相关技术介绍 | 第18-24页 |
| 2.3.1 词向量模型 | 第19-20页 |
| 2.3.2 CNN模型介绍 | 第20-21页 |
| 2.3.3 RNN模型介绍 | 第21-22页 |
| 2.3.4 句子向量表示模型 | 第22-23页 |
| 2.3.5 Attention机制 | 第23-24页 |
| 2.4 文本相似度计算方法 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 对话实验数据的分析与构建 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 问题描述与整体结构 | 第27-28页 |
| 3.3 数据评估与分析 | 第28-30页 |
| 3.4 数据预处理与构建 | 第30-35页 |
| 3.4.1 cQA数据处理与提取 | 第30-32页 |
| 3.4.2 对话数据处理与提取 | 第32-35页 |
| 3.5 词向量的构建 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第4章 问答匹配关系的识别 | 第37-54页 |
| 4.1 引言 | 第37页 |
| 4.2 基于CNN的问答匹配关系识别模型 | 第37-39页 |
| 4.3 基于RNN的问答匹配关系识别模型 | 第39-44页 |
| 4.3.1 基于RNN模型的语句向量表示 | 第40-42页 |
| 4.3.2 基于attention的信息自动归纳 | 第42-43页 |
| 4.3.3 句子置信度排序与分类阈值选择 | 第43-44页 |
| 4.4 实验环境 | 第44页 |
| 4.5 答案排序与选择的评价方法选择 | 第44-46页 |
| 4.5.1 答案排序评价方法 | 第45页 |
| 4.5.2 答案选择评价方法 | 第45-46页 |
| 4.6 实验结果对比与分析 | 第46-52页 |
| 4.6.1 cQA数据的实验结果对比分析 | 第46-48页 |
| 4.6.2 对话数据的实验结果对比分析 | 第48-52页 |
| 4.6.3 策略一和策略二的实验结果对比分析 | 第52页 |
| 4.7 本章小结 | 第52-54页 |
| 第5章 语句补充关系的识别 | 第54-63页 |
| 5.1 引言 | 第54页 |
| 5.2 语句补充关系识别的方法介绍 | 第54-57页 |
| 5.2.1 基于SVM的语句补充关系识别 | 第54-55页 |
| 5.2.2 基于卷积神经网络的语句补充关系识别 | 第55-56页 |
| 5.2.3 基于循环神经网络的语句补充关系识别 | 第56-57页 |
| 5.3 语句补充关系识别的数据构建 | 第57-58页 |
| 5.4 语句补充关系的对比实验结果 | 第58-61页 |
| 5.5 补充关系识别在问答匹配中的应用 | 第61-62页 |
| 5.6 本章小结 | 第62-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71页 |
