| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景与意义 | 第16-17页 |
| 1.2 相关研究工作 | 第17-21页 |
| 1.2.1 传统自然语言处理方法 | 第18-19页 |
| 1.2.2 深度学习方法 | 第19-20页 |
| 1.2.3 多语言文本语义相似度 | 第20-21页 |
| 1.3 本文研究内容 | 第21-22页 |
| 1.4 本文组织结构 | 第22-24页 |
| 第二章 相关概念 | 第24-41页 |
| 2.1 文本语义相似度 | 第24-25页 |
| 2.2 多语言数据集 | 第25-28页 |
| 2.2.1 训练集 | 第26-27页 |
| 2.2.2 测试集 | 第27-28页 |
| 2.3 监督式机器学习算法 | 第28-32页 |
| 2.3.1 决策树 | 第28-30页 |
| 2.3.2 集成学习 | 第30-32页 |
| 2.4 深度学习知识 | 第32-40页 |
| 2.4.1 词向量 | 第32-33页 |
| 2.4.2 跨语言词向量 | 第33-34页 |
| 2.4.3 前馈神经网络 | 第34-36页 |
| 2.4.4 循环神经网络 | 第36-39页 |
| 2.4.5 反向传播算法 | 第39-40页 |
| 2.5 系统评估指标 | 第40页 |
| 2.6 本章小结 | 第40-41页 |
| 第三章 多语言文本语义相似度集成计算模型 | 第41-63页 |
| 3.1 研究动机 | 第41-42页 |
| 3.2 集成系统结构 | 第42-52页 |
| 3.2.1 传统NLP模块 | 第43-50页 |
| 3.2.2 深度学习模块 | 第50-52页 |
| 3.2.3 系统集成模块 | 第52页 |
| 3.3 实验设置 | 第52-53页 |
| 3.3.1 数据集 | 第52-53页 |
| 3.3.2 预处理 | 第53页 |
| 3.4 英文训练数据集的特征和算法选择 | 第53-56页 |
| 3.4.1 NLP特征选择 | 第54页 |
| 3.4.2 机器学习算法选择 | 第54-55页 |
| 3.4.3 深度学习算法选择 | 第55-56页 |
| 3.4.4 系统配置 | 第56页 |
| 3.5 英语测试数据集的实验结果 | 第56-59页 |
| 3.5.1 在SemEvalSTS2017测试集上的结果 | 第56-57页 |
| 3.5.2 在STSBenchmark测试集上的结果 | 第57-58页 |
| 3.5.3 难句分析 | 第58页 |
| 3.5.4 结论 | 第58-59页 |
| 3.6 跨语言训练数据集的实验 | 第59-60页 |
| 3.6.1 两种跨语言翻译策略 | 第59-60页 |
| 3.6.2 在SemEvalSTS2016跨语言训练集上的结果 | 第60页 |
| 3.7 多语言测试数据集实验结果 | 第60-62页 |
| 3.7.1 在SemEvalSTS2017多语言测试集上的结果 | 第60-61页 |
| 3.7.2 结论 | 第61-62页 |
| 3.8 本章小结 | 第62-63页 |
| 第四章 低资源语言文本语义相似度计算 | 第63-79页 |
| 4.1 研究动机 | 第63-65页 |
| 4.2 单任务神经网络模型 | 第65-68页 |
| 4.2.1 词向量层 | 第66页 |
| 4.2.2 句子表示 | 第66-67页 |
| 4.2.3 句子对表示 | 第67页 |
| 4.2.4 输出层 | 第67-68页 |
| 4.3 深度多任务学习模型 | 第68-71页 |
| 4.3.1 翻译矩阵 | 第69-70页 |
| 4.3.2 对抗学习 | 第70-71页 |
| 4.3.3 多任务学习 | 第71页 |
| 4.4 实验设置 | 第71-74页 |
| 4.4.1 数据集 | 第71-72页 |
| 4.4.2 多语言词向量 | 第72页 |
| 4.4.3 参数设置 | 第72-73页 |
| 4.4.4 基准系统 | 第73-74页 |
| 4.5 实验结果和分析 | 第74-77页 |
| 4.5.1 在SemEvalSTS2017测试集上的结果 | 第74-75页 |
| 4.5.2 和其他系统性能的比较 | 第75-76页 |
| 4.5.3 超参数的影响 | 第76-77页 |
| 4.5.4 结论 | 第77页 |
| 4.6 本章小节 | 第77-79页 |
| 第五章 语义匹配在论证推理中的应用 | 第79-89页 |
| 5.1 论证推理任务 | 第79-80页 |
| 5.2 研究动机 | 第80-81页 |
| 5.3 基于注意力机制的神经网络模型 | 第81-85页 |
| 5.3.1 模型结构 | 第81-83页 |
| 5.3.2 基于差异的论据表示 | 第83-85页 |
| 5.4 实验和结果分析 | 第85-87页 |
| 5.4.1 数据集和评估标准 | 第85页 |
| 5.4.2 参数设置 | 第85-86页 |
| 5.4.3 不同模块的性能比较 | 第86-87页 |
| 5.4.4 在SemEval2018论证推理测试集上的结果 | 第87页 |
| 5.5 本章小结 | 第87-89页 |
| 第六章 总结及展望 | 第89-91页 |
| 6.1 本文总结 | 第89-90页 |
| 6.2 未来的工作 | 第90-91页 |
| 攻读学位期间发表的学术论文以及学术成果 | 第91-92页 |
| 参加国际竞赛获奖情况 | 第92-93页 |
| 参考文献 | 第93-101页 |
| 致谢 | 第101页 |
