摘要 | 第5-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第13-17页 |
1.1 研究背景 | 第13-15页 |
1.2 本文工作与主要贡献 | 第15-16页 |
1.3 组织结构 | 第16-17页 |
第二章 相关工作 | 第17-24页 |
2.1 语义匹配概述及研究现状 | 第17-22页 |
2.1.1 语义匹配概述 | 第17页 |
2.1.2 语义匹配研究现状 | 第17-21页 |
2.1.3 医疗领域的语义匹配工作 | 第21-22页 |
2.2 迁移学习概述及研究现状 | 第22-23页 |
2.2.1 迁移学习的分类 | 第22-23页 |
2.2.2 基于迁移学习的语义匹配研究现状 | 第23页 |
2.3 本章小结 | 第23-24页 |
第三章 中文医疗领域的语义匹配语料挖掘 | 第24-43页 |
3.1 语义匹配任务概述 | 第24-28页 |
3.1.1 任务定义 | 第24-25页 |
3.1.2 训练方式分类 | 第25-27页 |
3.1.3 常用的语义匹配公开数据 | 第27-28页 |
3.2 医疗领域语义匹配语料挖掘框架 | 第28-30页 |
3.3 中文医疗实体表述词典的构建 | 第30-34页 |
3.3.1 整体流程 | 第30-31页 |
3.3.2 知识抽取 | 第31-32页 |
3.3.3 知识库融合 | 第32-33页 |
3.3.4 医疗实体表述词典的构建 | 第33-34页 |
3.4 中文医疗语义匹配数据集构建 | 第34-42页 |
3.4.1 整体流程 | 第34-35页 |
3.4.2 基于Web数据的问答语料挖掘方法 | 第35-38页 |
3.4.3 医疗问句匹配数据集构建方法 | 第38-42页 |
3.5 本章小结 | 第42-43页 |
第四章 基于有监督学习的语义匹配模型 | 第43-61页 |
4.1 有监督学习方法概述 | 第43-44页 |
4.2 基于传统特征的语义匹配模型 | 第44-45页 |
4.2.1 传统特征表示方法 | 第44-45页 |
4.2.2 基于传统特征的语义匹配模型 | 第45页 |
4.3 基于神经网络的语义匹配模型 | 第45-48页 |
4.4 TMTransformer语义匹配模型 | 第48-52页 |
4.4.1 Transformer基本原理 | 第48-49页 |
4.4.2 基于Transformer改进的语义匹配模型 | 第49-51页 |
4.4.3 TMTransformer中的语义交互建模 | 第51-52页 |
4.5 实验与结果分析 | 第52-60页 |
4.5.1 实验数据 | 第53页 |
4.5.2 实验设置 | 第53-55页 |
4.5.3 评价指标 | 第55-56页 |
4.5.4 实验结果分析 | 第56-60页 |
4.6 本章小结 | 第60-61页 |
第五章 基于迁移学习的语义匹配提升方法 | 第61-78页 |
5.1 迁移学习 | 第61-63页 |
5.1.1 迁移学习的定义 | 第61-62页 |
5.1.2 基于迁移学习的语义匹配方法概述 | 第62-63页 |
5.2 跨领域的语义匹配迁移学习方法 | 第63-65页 |
5.2.1 预训练任务介绍 | 第63-64页 |
5.2.2 跨领域的迁移学习流程 | 第64-65页 |
5.3 跨任务的语义匹配迁移学习方法 | 第65-70页 |
5.3.1 预训练任务介绍 | 第66-67页 |
5.3.2 多分类预训练模型构建 | 第67-68页 |
5.3.3 预训练任务的评估方法 | 第68-69页 |
5.3.4 跨任务的迁移学习流程 | 第69-70页 |
5.4 实验设置和分析 | 第70-77页 |
5.4.1 数据集介绍 | 第70-72页 |
5.4.2 数据预处理 | 第72页 |
5.4.3 实验设置 | 第72-73页 |
5.4.4 实验分析 | 第73-77页 |
5.5 本章小结 | 第77-78页 |
第六章 总结与展望 | 第78-80页 |
6.1 本文工作总结 | 第78-79页 |
6.2 未来工作展望 | 第79-80页 |
参考文献 | 第80-90页 |
致谢 | 第90-92页 |
攻读硕士学位期间发表论文和科研情况 | 第92页 |