| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 任务介绍 | 第11-12页 |
| 1.3 本文主要内容 | 第12-13页 |
| 1.4 本文结构安排 | 第13-15页 |
| 第二章 文本库问答任务的发展现状及相关技术 | 第15-34页 |
| 2.1 传统信息检索模型 | 第15-17页 |
| 2.1.1 向量空间模型 | 第15-16页 |
| 2.1.2 概率统计模型 | 第16-17页 |
| 2.2 文本表示模型 | 第17-20页 |
| 2.2.1 语言模型 | 第17-18页 |
| 2.2.2 分布式表示 | 第18-19页 |
| 2.2.3 Word2vec工具 | 第19-20页 |
| 2.3 机器学习排序方法 | 第20-22页 |
| 2.3.1 单文档排序方法 | 第20-21页 |
| 2.3.2 文档对方法 | 第21-22页 |
| 2.3.3 文档排序小结 | 第22页 |
| 2.4 利用深度学习进行文本排序 | 第22-30页 |
| 2.4.1 神经网络 | 第23-25页 |
| 2.4.2 卷积神经网络 | 第25-27页 |
| 2.4.3 循环神经网络 | 第27-30页 |
| 2.5 国内外基于深度学习的文本排序发展现状 | 第30-31页 |
| 2.6 评价指标 | 第31-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第三章 添加共现信息的深度学习文本排序方法 | 第34-48页 |
| 3.1 基于深度学习的文本排序模型 | 第34-40页 |
| 3.1.1 词嵌入层 | 第35页 |
| 3.1.2 共现矩阵结构 | 第35-37页 |
| 3.1.3 多卷积核卷积层 | 第37-39页 |
| 3.1.4 注意力池化层 | 第39-40页 |
| 3.2 实验设计 | 第40-47页 |
| 3.2.1 实验数据 | 第40页 |
| 3.2.2 实验训练方式 | 第40-41页 |
| 3.2.3 实验环境及实验参数 | 第41-43页 |
| 3.2.4 实验结果分析 | 第43-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 结合词向量和字符向量的深度学习文本排序方法 | 第48-58页 |
| 4.1 字符级向量 | 第48-49页 |
| 4.2 结合词向量和字符向量的深度学习文本排序模型 | 第49-53页 |
| 4.2.1 模型概述 | 第50-51页 |
| 4.2.2 嵌入层 | 第51-52页 |
| 4.2.3 卷积层和池化层 | 第52页 |
| 4.2.4 隐藏层和输出层 | 第52-53页 |
| 4.3 实验结果及分析 | 第53-56页 |
| 4.3.1 数据介绍 | 第53页 |
| 4.3.2 数据集实验参数及环境 | 第53-55页 |
| 4.3.3 实验结果分析 | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 本文总结 | 第58-59页 |
| 5.2 未来的工作与展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |