| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题研究背景 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 主要研究工作 | 第12-13页 |
| 1.2.1 主要研究内容 | 第12页 |
| 1.2.2 研究创新点 | 第12-13页 |
| 1.3 论文结构 | 第13-14页 |
| 第二章 答案选择相关技术 | 第14-30页 |
| 2.1 词向量模型 | 第14-18页 |
| 2.1.1 词向量 | 第14页 |
| 2.1.2 语言模型 | 第14-16页 |
| 2.1.3 嵌入式词向量模型 | 第16-17页 |
| 2.1.4 全局信息词向量 | 第17-18页 |
| 2.2 神经网络 | 第18-25页 |
| 2.2.1 前馈神经网络 | 第19页 |
| 2.2.2 卷积神经网络 | 第19-22页 |
| 2.2.3 循环神经网络 | 第22-24页 |
| 2.2.4 神经网络中的注意力模型 | 第24-25页 |
| 2.3 其他算法介绍 | 第25-29页 |
| 2.3.1 逻辑回归模型 | 第25-27页 |
| 2.3.2 TF-IDF与向量空间模型 | 第27-28页 |
| 2.3.3 答案选择任务评价指标 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于向量表示及基于匹配特征学习的答案选择算法研究与改进 | 第30-48页 |
| 3.1 答案选择任务介绍 | 第30-31页 |
| 3.2 基于向量表示的答案选择模型 | 第31-36页 |
| 3.2.1 向量表示模型通用框架 | 第31-32页 |
| 3.2.2 基于CNN的向量表示模型 | 第32-33页 |
| 3.2.3 基于biLSTM的向量表示模型 | 第33-34页 |
| 3.2.4 利用卷积进行池化的biLSTM | 第34-35页 |
| 3.2.5 基于卷积层的biLSTM | 第35-36页 |
| 3.3 基于匹配特征学习的答案选择模型 | 第36-40页 |
| 3.3.1 模型介绍 | 第36-38页 |
| 3.3.2 对齐特征学习 | 第38-40页 |
| 3.4 相关实验与结果 | 第40-45页 |
| 3.4.1 实验数据集介绍 | 第40-41页 |
| 3.4.2 实验设置 | 第41-42页 |
| 3.4.3 模型的比较与分析 | 第42-45页 |
| 3.5 浅层特征与深层模型的结合 | 第45-47页 |
| 3.5.1 实验数据集介绍 | 第45-46页 |
| 3.5.2 实验设置 | 第46页 |
| 3.5.3 实验结果与分析 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 答案选择模型在短文本匹配中的应用 | 第48-58页 |
| 4.1 短文本匹配任务定义 | 第48-49页 |
| 4.2 短文本匹配模型 | 第49-52页 |
| 4.2.1 句子级深层匹配模型 | 第49-51页 |
| 4.2.2 加入浅层特征的混合模型 | 第51-52页 |
| 4.3 相关实验与结果 | 第52-55页 |
| 4.3.1 实验数据集介绍 | 第52-53页 |
| 4.3.2 实验结果分析与对比 | 第53-55页 |
| 4.4 实验样例分析 | 第55-56页 |
| 4.5 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 攻读学位期间取得的研究成果 | 第66页 |