| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 课题背景和意义 | 第10-11页 |
| 1.1.2 国内外相关研究综述 | 第11-12页 |
| 1.2 本文主要研究工作 | 第12-14页 |
| 1.3 论文内容及结构 | 第14-16页 |
| 第二章 词语相似度计算研究 | 第16-26页 |
| 2.1 词语相似度计算研究 | 第16-17页 |
| 2.2 词的稀疏向量表示方法综述 | 第17页 |
| 2.3 基于主题模型的词语相似度计算 | 第17-21页 |
| 2.3.1 潜在语义索引研究 | 第18-19页 |
| 2.3.2 实验方法 | 第19-20页 |
| 2.3.3 实验结果 | 第20-21页 |
| 2.3.4 总结 | 第21页 |
| 2.4 基于WAF的词语相似度计算 | 第21-25页 |
| 2.4.1 WAF理论综述 | 第21-22页 |
| 2.4.2 WAF工具包 | 第22-23页 |
| 2.4.3 实验方法 | 第23-24页 |
| 2.4.4 实验结果 | 第24-25页 |
| 2.5 本章总结 | 第25-26页 |
| 第三章 神经网络语言模型与词向量研究 | 第26-34页 |
| 3.1 经典NNLM构建 | 第26-29页 |
| 3.1.1 语言模型综述 | 第26-27页 |
| 3.1.2 神经网络语言模型(NNLM)构建 | 第27-28页 |
| 3.1.3 词向量训练 | 第28-29页 |
| 3.2 word2vec模型 | 第29-31页 |
| 3.3 基准实验 | 第31-33页 |
| 3.3.1 实验设计 | 第31-32页 |
| 3.3.2 实验结果 | 第32-33页 |
| 3.4 本章总结 | 第33-34页 |
| 第四章 基于词向量模型特征空间优化的同义词扩展研究 | 第34-46页 |
| 4.1 先验统计知识PSK | 第34-38页 |
| 4.1.1 先验统计知识概念 | 第34-35页 |
| 4.1.2 先验统计知识计算 | 第35-37页 |
| 4.1.3 Stanford CoreNLP介绍 | 第37页 |
| 4.1.4 先验统计知识的意义 | 第37-38页 |
| 4.2 词向量模型特征空间优化 | 第38-41页 |
| 4.2.1 基于词向量模型特征空间优化算法 | 第38-40页 |
| 4.2.2 负采样算法 | 第40-41页 |
| 4.3 实验与结果 | 第41-45页 |
| 4.3.1 模型计算方法 | 第41-42页 |
| 4.3.2 实验结果 | 第42-45页 |
| 4.4 本章总结 | 第45-46页 |
| 第五章 基于词向量模型特征空间优化算法应用 | 第46-58页 |
| 5.1 基于微博的个性化视频推荐系统 | 第46-51页 |
| 5.1.1 微博分类 | 第47-48页 |
| 5.1.2 特征空间优化算法的应用 | 第48-49页 |
| 5.1.3 实验结果及分析 | 第49-51页 |
| 5.2 TREC KBA评测 | 第51-57页 |
| 5.2.1 查询扩展及优化 | 第52-54页 |
| 5.2.2 Pattern挖掘及优化 | 第54-57页 |
| 5.3 本章总结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 论文工作总结 | 第58-59页 |
| 6.2 研究课题展望 | 第59-60页 |
| 参考文献 | 第60-62页 |
| 致谢 | 第62-63页 |
| 攻读硕士学位期间发表论文 | 第63页 |