基于word2vec的中文文本相似度研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 缩略图对照表 | 第9-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 文本相似度研究的背景与意义 | 第12-13页 |
| 1.2 文本相似度的发展现状 | 第13页 |
| 1.3 本文内容与章节安排 | 第13-16页 |
| 1.3.1 本文主要内容 | 第13-14页 |
| 1.3.2 本文章节安排 | 第14-16页 |
| 第二章 文本相似度计算理论 | 第16-34页 |
| 2.1 文本相似度基本概念 | 第16-17页 |
| 2.1.1 文本相似度含义 | 第16页 |
| 2.1.2 文本相似度计算方法分类 | 第16-17页 |
| 2.2 文本表示方法 | 第17-18页 |
| 2.2.1 字符表示法 | 第17页 |
| 2.2.2 词袋表示法 | 第17-18页 |
| 2.2.3 n-gram表示法 | 第18页 |
| 2.3 经典文本计算模型 | 第18-25页 |
| 2.3.1 经典布尔模型 | 第18-19页 |
| 2.3.2 扩展布尔模型 | 第19-22页 |
| 2.3.3 概率模型 | 第22-23页 |
| 2.3.4 向量空间模型 | 第23-24页 |
| 2.3.5 引入同义词的向量空间模型 | 第24-25页 |
| 2.4 WORD2VEC模型构建 | 第25-32页 |
| 2.4.1 词向量 | 第25-27页 |
| 2.4.2 前馈神经网络语言模型 | 第27页 |
| 2.4.3 循环神经网络语言模型 | 第27-28页 |
| 2.4.4 连续词袋模型 | 第28页 |
| 2.4.5 连续Skip-gram模型 | 第28-30页 |
| 2.4.6 分层softmax | 第30页 |
| 2.4.7 负采样 | 第30-31页 |
| 2.4.8 高频词的再抽样 | 第31页 |
| 2.4.9 模型效果 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 文本相似度算法设计与优化 | 第34-52页 |
| 3.1 文本相似度算法设计 | 第34-35页 |
| 3.2 传统文本相似度算法的关键步骤 | 第35-43页 |
| 3.2.1 文本分词 | 第35-40页 |
| 3.2.2 文本虚词过滤 | 第40-41页 |
| 3.2.3 获取文本特征向量 | 第41-42页 |
| 3.2.4 文本相似度计算 | 第42-43页 |
| 3.3 文本相似度算法优化 | 第43-50页 |
| 3.3.1 降低文本词频影响 | 第43-46页 |
| 3.3.2 文本相似度优化 | 第46-50页 |
| 3.4 本章小结 | 第50-52页 |
| 第四章 实验结果 | 第52-58页 |
| 4.1 实验结果与分析 | 第52-57页 |
| 4.2 结论 | 第57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58页 |
| 5.2 下一步工作展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 作者简介 | 第64-65页 |
