| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 传统的答案匹配方法的研究现状 | 第10-12页 |
| 1.2.2 基于深度学习的答案匹配方法的研究现状 | 第12-13页 |
| 1.3 研究意义 | 第13页 |
| 1.4 本文主要研究工作 | 第13-14页 |
| 1.5 本文组织结构 | 第14-15页 |
| 第2章 框架结构与相关技术 | 第15-28页 |
| 2.1 总体框架结构 | 第15-17页 |
| 2.2 问答系统 | 第17-20页 |
| 2.2.1 问答系统概述 | 第17页 |
| 2.2.2 问答系统的分类 | 第17-19页 |
| 2.2.3 问答系统的架构 | 第19-20页 |
| 2.3 问答系统中答案匹配的一般过程 | 第20-21页 |
| 2.4 问答系统中常用的深度学习模型 | 第21-27页 |
| 2.4.1 循环神经网络模型RNN | 第22-24页 |
| 2.4.2 长短程记忆网络模型LSTM | 第24-26页 |
| 2.4.3 双向长短程记忆网络模型Bi-LSTM | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 问答系统中深度学习模型的优化问题研究 | 第28-35页 |
| 3.1 问答系统中深度学习模型面临的挑战 | 第28-30页 |
| 3.1.1 长距离依赖与语义选择限制问题 | 第28-29页 |
| 3.1.2 梯度消失问题 | 第29-30页 |
| 3.2 问答系统中深度学习模型的优化算法 | 第30-34页 |
| 3.2.1 梯度下降算法 | 第30-32页 |
| 3.2.2 自适应学习速率的算法 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 基于AttentiveLSTM网络的问答匹配模型架构 | 第35-45页 |
| 4.1 问答系统中的Attention机制 | 第35-39页 |
| 4.1.1 Encoder-Decoder模型 | 第35-37页 |
| 4.1.2 Attention机制 | 第37-39页 |
| 4.2 基于AttentiveLSTM网络的答案匹配模型架构 | 第39-44页 |
| 4.2.1 AttentiveLSTM的计算方法 | 第39-42页 |
| 4.2.2 基于AttentiveLSTM网络的答案匹配模型设计 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 实验与分析 | 第45-57页 |
| 5.1 实验概述 | 第45-49页 |
| 5.1.1 实验环境简介 | 第45-46页 |
| 5.1.2 实验数据集 | 第46-48页 |
| 5.1.3 实验参数设置 | 第48-49页 |
| 5.2 实验评估指标 | 第49-50页 |
| 5.3 优化算法实验设计与分析 | 第50-51页 |
| 5.4 答案匹配模型实验设计与分析 | 第51-56页 |
| 5.4.1 基于AttentiveLSTM网络的答案匹配模型实验 | 第51-52页 |
| 5.4.2 基于AttentiveMultiLSTM网络的答案匹配模型实验 | 第52-53页 |
| 5.4.3 基于LSTM网络的答案匹配模型实验 | 第53-54页 |
| 5.4.4 基于CNN网络的答案匹配模型实验 | 第54页 |
| 5.4.5 实验结果分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 致谢 | 第59-61页 |
| 参考文献 | 第61-69页 |
| 攻读学位期间取得的研究成果 | 第69页 |
