基于语义推理和表示的机器阅读理解研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 研究背景和意义 | 第12-13页 |
| 1.2 机器阅读理解的国内外研究现状 | 第13-17页 |
| 1.2.1 基于传统特征工程的机器阅读理解研究 | 第14-15页 |
| 1.2.2 基于深度学习的机器阅读理解研究 | 第15-16页 |
| 1.2.3 其它问答系统任务研究 | 第16-17页 |
| 1.3 论文主要研究内容和成果 | 第17-18页 |
| 1.4 论文组织结构 | 第18-19页 |
| 第二章 相关概念介绍 | 第19-32页 |
| 2.1 机器阅读理解任务定义 | 第19-20页 |
| 2.2 自然语言处理常用特征 | 第20-22页 |
| 2.3 传统机器学习算法 | 第22-25页 |
| 2.3.1 感知器算法 | 第22-24页 |
| 2.3.2 条件随机场(CRF) | 第24-25页 |
| 2.4 深度学习算法 | 第25-32页 |
| 2.4.1 常见的激活函数 | 第26-28页 |
| 2.4.2 卷积神经网络 | 第28-29页 |
| 2.4.3 循环神经网络 | 第29-32页 |
| 第三章 基于传统特征工程的机器阅读理解模型 | 第32-54页 |
| 3.1 研究动机 | 第32-34页 |
| 3.2 任务描述 | 第34-35页 |
| 3.3 隐变量模型 | 第35-38页 |
| 3.3.1 隐变量模型介绍 | 第35页 |
| 3.3.2 隐变量模型具体应用 | 第35-38页 |
| 3.4 结构化的隐变量推理模型 | 第38-46页 |
| 3.4.1 树模型 | 第38-41页 |
| 3.4.2 语义框架模型 | 第41-44页 |
| 3.4.3 基准模型 | 第44-45页 |
| 3.4.4 模型训练 | 第45-46页 |
| 3.5 特征设置 | 第46页 |
| 3.6 实验 | 第46-53页 |
| 3.6.1 数据集 | 第46-48页 |
| 3.6.2 系统评价指标 | 第48页 |
| 3.6.3 实验设置 | 第48-49页 |
| 3.6.4 实验结果及分析 | 第49-52页 |
| 3.6.5 实例分析 | 第52-53页 |
| 3.7 小结 | 第53-54页 |
| 第四章 基于深度学习的机器阅读理解模型 | 第54-68页 |
| 4.1 研究动机 | 第54-55页 |
| 4.2 任务描述 | 第55-56页 |
| 4.3 注意力机制介绍 | 第56-58页 |
| 4.4 基于多层级注意力机制的神经网络模型 | 第58-63页 |
| 4.4.1 模型框架 | 第58-63页 |
| 4.4.2 模型训练 | 第63页 |
| 4.4.3 模型测试 | 第63页 |
| 4.5 实验 | 第63-67页 |
| 4.5.1 数据集 | 第63-64页 |
| 4.5.2 评价指标 | 第64页 |
| 4.5.3 实验设置 | 第64-65页 |
| 4.5.4 实验结果以及分析 | 第65-67页 |
| 4.6 小结 | 第67-68页 |
| 第五章 结语与展望 | 第68-69页 |
| 攻读学位期间发表的学术论文以及学术成果 | 第69-70页 |
| 参考文献 | 第70-78页 |
| 致谢 | 第78页 |
