基于神经网络的文本向量表示与建模研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 前言 | 第8-15页 |
| 1 绪论 | 第15-19页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 研究内容 | 第16-18页 |
| 1.3 论文结构 | 第18-19页 |
| 2 语言模型与词向量表示 | 第19-28页 |
| 2.1 统计语言模型 | 第19-20页 |
| 2.2 神经网络语言模型 | 第20-23页 |
| 2.3 分布式词向量表示 | 第23-27页 |
| 2.4 本章小结 | 第27-28页 |
| 3 学习主题的向量表示 | 第28-36页 |
| 3.1 背景介绍 | 第28-29页 |
| 3.1.1 潜在狄利克雷分布 | 第28页 |
| 3.1.2 研究背景 | 第28-29页 |
| 3.2 学习主题向量表示 | 第29-31页 |
| 3.2.1 Topic2Vec模型 | 第29-31页 |
| 3.3 实验及分析 | 第31-34页 |
| 3.3.1 数据集 | 第31-32页 |
| 3.3.2 评价方法 | 第32-33页 |
| 3.3.3 实验结果分析 | 第33-34页 |
| 3.4 本章小结 | 第34-36页 |
| 4 联合学习词及其属性的向量表示 | 第36-52页 |
| 4.1 背景介绍 | 第36-38页 |
| 4.2 框架与模型 | 第38-42页 |
| 4.2.1 联合学习词和属性向量表示的统一框架 | 第38-39页 |
| 4.2.2 TW模型：学习主题向量表示 | 第39页 |
| 4.2.3 DW模型：学习文档向量表示 | 第39-40页 |
| 4.2.4 提升词向量表示的模型 | 第40-42页 |
| 4.2.5 优化和学习过程 | 第42页 |
| 4.3 实验及分析 | 第42-49页 |
| 4.3.1 数据集 | 第42-43页 |
| 4.3.2 评估主题向量表示 | 第43-46页 |
| 4.3.3 评估文档向量表示 | 第46-47页 |
| 4.3.4 评估提升的词向量表示 | 第47-49页 |
| 4.4 本章小结 | 第49-52页 |
| 5 词向量加强的主题模型 | 第52-68页 |
| 5.1 背景介绍 | 第52-53页 |
| 5.2 词向量聚类先验潜在狄利克雷分布 | 第53-56页 |
| 5.2.1 狄利克雷先验分布 | 第53-55页 |
| 5.2.2 词向量聚类先验潜在狄利克雷分布 | 第55-56页 |
| 5.3 词向量聚类先验实验与分析 | 第56-61页 |
| 5.3.1 数据集与实验设置 | 第56页 |
| 5.3.2 主题词评估 | 第56-57页 |
| 5.3.3 主题一致性评估 | 第57-61页 |
| 5.3.4 实验与分析 | 第61页 |
| 5.4 词向量加强的潜在狄利克雷分布 | 第61-66页 |
| 5.4.1 上下文感知的潜在狄利克雷分布 | 第62-64页 |
| 5.4.2 词向量加强的潜在狄利克雷分布 | 第64-66页 |
| 5.5 本章小结 | 第66-68页 |
| 6 总结与展望 | 第68-70页 |
| 致谢 | 第70-72页 |
| 参考文献 | 第72-79页 |
| 简历与科研成果 | 第79-80页 |
