面向特定形式的机器阅读理解研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 课题背景及研究目的和意义 | 第8-9页 |
| 1.1.1 课题背景 | 第8-9页 |
| 1.1.2 课题研究的目的和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 国外研究现状 | 第9-12页 |
| 1.2.2 国内研究现状 | 第12页 |
| 1.2.3 国内外研究现状简析 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文章节安排 | 第14-15页 |
| 第2章 基于深度学习的SQUAD机器阅读理解 | 第15-28页 |
| 2.1 引言 | 第15页 |
| 2.2 数据集简介 | 第15-18页 |
| 2.2.1 CNN&Dailymail数据集 | 第15-17页 |
| 2.2.2 SQuAD数据集 | 第17-18页 |
| 2.3 面向片段抽取型机器阅读理解的深度学习模型 | 第18-22页 |
| 2.3.1 深度学习模型中的注意力机制 | 第18-19页 |
| 2.3.2 GA Reader模型 | 第19-20页 |
| 2.3.3 指针序列模型 | 第20-21页 |
| 2.3.4 基于指针的GAReader模型 | 第21-22页 |
| 2.4 实验与分析 | 第22-27页 |
| 2.4.1 实验方法与数据 | 第22-23页 |
| 2.4.2 实验评价指标 | 第23页 |
| 2.4.3 实验结果 | 第23-24页 |
| 2.4.4 实验分析 | 第24-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于深度强化学习的SQUAD机器阅读理解 | 第28-42页 |
| 3.1 引言 | 第28页 |
| 3.2 基于DQN的深度强化学习 | 第28-32页 |
| 3.2.1 强化学习简介 | 第28-29页 |
| 3.2.2 Q-Learning算法 | 第29-30页 |
| 3.2.3 DQN算法 | 第30-32页 |
| 3.3 基于DQN的深度强化学习机器阅读理解模型 | 第32-37页 |
| 3.3.1 动作集合 | 第33-34页 |
| 3.3.2 环境状态表示 | 第34-36页 |
| 3.3.3 即时奖赏策略 | 第36-37页 |
| 3.3.4 Q-Network设计 | 第37页 |
| 3.4 实验结果与分析 | 第37-41页 |
| 3.4.1 实验设置 | 第37-38页 |
| 3.4.2 实验结果 | 第38-39页 |
| 3.4.3 实验分析 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 基于深度学习的RACE机器阅读理解 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 机器阅读理解任务中的推理方法 | 第42-46页 |
| 4.2.1 基于文本蕴含的方法 | 第43页 |
| 4.2.2 基于外部记忆的方法 | 第43-44页 |
| 4.2.3 基于上下文相似性的方法 | 第44-46页 |
| 4.2.4 机器阅读理解任务中的推理方法小结 | 第46页 |
| 4.3 面向选择型机器阅读理解的深度学习模型 | 第46-49页 |
| 4.3.1 RACE数据集 | 第46-47页 |
| 4.3.2 基于GAReader的优化模型 | 第47-49页 |
| 4.4 实验结果与分析 | 第49-51页 |
| 4.4.1 实验设置 | 第49页 |
| 4.4.2 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 结论 | 第52-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58页 |
