基于深度学习的答案选择算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题介绍 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 课题工作 | 第11-12页 |
| 1.2.1 主要研究内容 | 第11-12页 |
| 1.2.2 研究创新点 | 第12页 |
| 1.3 论文框架 | 第12-14页 |
| 第二章 相关技术原理介绍 | 第14-30页 |
| 2.1 文本向量化 | 第14-16页 |
| 2.1.1 离散表示 | 第14-15页 |
| 2.1.2 分布式表示 | 第15-16页 |
| 2.2 语言模型 | 第16-19页 |
| 2.2.1 基于共现概率的语言模型 | 第16-17页 |
| 2.2.2 基于文档词集合的语言模型 | 第17-18页 |
| 2.2.3 神经网络语言模型 | 第18-19页 |
| 2.3 神经网络结构 | 第19-24页 |
| 2.3.1 循环神经网络 | 第21-24页 |
| 2.4 注意力机制 | 第24-27页 |
| 2.5 文中其他指标介绍 | 第27-29页 |
| 2.5.1 词频-逆文档频率 | 第27页 |
| 2.5.2 评价指标 | 第27-28页 |
| 2.5.3 余弦距离计算方法 | 第28-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 引入上下文语义的改进模型 | 第30-50页 |
| 3.1 答案选择任务介绍 | 第30-32页 |
| 3.1.1 研究背景 | 第31页 |
| 3.1.2 基础框架 | 第31-32页 |
| 3.2 基于向量表示的答案选择模型 | 第32-35页 |
| 3.2.1 卷积神经网络向量表示 | 第32-33页 |
| 3.2.2 循环神经网络向量表示 | 第33-34页 |
| 3.2.3 联合卷积与循环网络的向量表示 | 第34-35页 |
| 3.3 上下文引入方式 | 第35-39页 |
| 3.3.1 模型整体构造 | 第36-38页 |
| 3.3.2 句子编码方式 | 第38-39页 |
| 3.4 实验数据与分析 | 第39-45页 |
| 3.4.1 数据集介绍 | 第39-41页 |
| 3.4.2 实验设置 | 第41页 |
| 3.4.3 实验结果分析 | 第41-45页 |
| 3.5 实验示例 | 第45-47页 |
| 3.6 本章小结 | 第47-50页 |
| 第四章 基于知识记忆网络的答案选择模型 | 第50-64页 |
| 4.1 任务介绍 | 第50页 |
| 4.2 知识网络模型 | 第50-54页 |
| 4.2.1 知识向量的表示 | 第52页 |
| 4.2.2 包含知识的问题表示 | 第52-53页 |
| 4.2.3 包含知识的答案表示 | 第53页 |
| 4.2.4 使用知识表示问答对 | 第53-54页 |
| 4.3 相关实验与结果 | 第54-61页 |
| 4.3.1 验证知识记忆网络有效性 | 第55-56页 |
| 4.3.2 上下文语义的作用效果 | 第56-58页 |
| 4.3.3 样例分析 | 第58-61页 |
| 4.4 中文数据集实验结果 | 第61-62页 |
| 4.4.4 数据集介绍 | 第61页 |
| 4.4.5 实验设置与结果分析 | 第61-62页 |
| 4.5 本章小结 | 第62-64页 |
| 第五章 总结 | 第64-66页 |
| 5.1 工作总结 | 第64-65页 |
| 5.2 工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读学位期间取得的研究成果 | 第72页 |
