| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题的来源及研究的目的和意义 | 第10-11页 |
| 1.1.1 课题的来源 | 第10页 |
| 1.1.2 课题的研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于特征工程的答案选择国内外研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的答案选择国内外研究现状 | 第12-13页 |
| 1.2.3 基于半监督深度学习的答案选择国内外研究现状 | 第13-14页 |
| 1.3 数据集与问题定义 | 第14-19页 |
| 1.3.1 数据集描述 | 第14-15页 |
| 1.3.2 答案选择的问题定义 | 第15页 |
| 1.3.3 答案选择的评价标准 | 第15-17页 |
| 1.3.4 基线系统选择 | 第17-19页 |
| 1.4 主要研究思路 | 第19页 |
| 1.5 本文内容安排 | 第19-21页 |
| 第2章 基于卷积神经网络的答案选择研究 | 第21-33页 |
| 2.1 引言 | 第21-22页 |
| 2.2 卷积神经网络及相关技术介绍 | 第22-26页 |
| 2.2.1 卷积神经网络的特性 | 第22页 |
| 2.2.2 卷积方式 | 第22-23页 |
| 2.2.3 池化层 | 第23-24页 |
| 2.2.4 激活函数 | 第24-25页 |
| 2.2.5 Dropout | 第25-26页 |
| 2.3 基于卷积神经网络的答案选择模型 | 第26-29页 |
| 2.3.1 数据预处理 | 第26-27页 |
| 2.3.2 基于单层卷积神经网络的句子编码模型 | 第27-28页 |
| 2.3.3 基于多层卷积神经网络的句子编码模型 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-32页 |
| 2.4.1 模型参数设置 | 第29-31页 |
| 2.4.2 实验结果对比分析 | 第31-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 基于长短期记忆网络的答案选择 | 第33-48页 |
| 3.1 引言 | 第33页 |
| 3.2 循环神经网络及相关技术 | 第33-35页 |
| 3.2.1 循环神经网络 | 第33-34页 |
| 3.2.2 长短期记忆单元 | 第34-35页 |
| 3.3 基于注意力机制和长短期记忆神经网络的答案选择模型 | 第35-38页 |
| 3.3.1 基于长短期记忆网络的答案选择模型 | 第36-37页 |
| 3.3.2 基于静态注意力机制的答案选择模型 | 第37-38页 |
| 3.4 融合非文本特征的答案选择模型 | 第38-40页 |
| 3.4.1 非文本特征提取方法 | 第39页 |
| 3.4.2 融合非文本特征的答案选择模型设计 | 第39-40页 |
| 3.5 实验结果与分析 | 第40-47页 |
| 3.5.1 模型参数设置 | 第40-41页 |
| 3.5.2 实验结果对比分析 | 第41-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于双向长短期记忆网络和自动编码器的答案选择 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 基于双向长短期记忆网络的答案选择模型 | 第48-52页 |
| 4.2.1 双向长短期记忆网络 | 第48-49页 |
| 4.2.2 基于双向长短期记忆网络的句子编码模型输出信息分布 | 第49-50页 |
| 4.2.3 基于双向长短期记忆网络的句子编码模型 | 第50页 |
| 4.2.4 实验结果与分析 | 第50-52页 |
| 4.3 基于自动编码的预训练网络 | 第52-59页 |
| 4.3.1 自动编码器简介 | 第52-53页 |
| 4.3.2 序列到序列模型解码模式 | 第53-55页 |
| 4.3.3 序列到序列模型的训练优化 | 第55-57页 |
| 4.3.4 实验结果与分析 | 第57-59页 |
| 4.4 实验结果与分析 | 第59-61页 |
| 4.5 本章小结 | 第61-62页 |
| 结论 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附攻读硕士学位期间发表的学术论文 | 第68-70页 |
| 致谢 | 第70页 |
