| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 试题管理研究现状 | 第11-12页 |
| 1.2.2 文本相似度计算研究现状 | 第12-13页 |
| 1.2.3 深度学习在语义相似方面的研究现状 | 第13-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文章节概括 | 第15-17页 |
| 第二章 相关理论与技术介绍 | 第17-32页 |
| 2.1 循环神经网络 | 第17-24页 |
| 2.1.1 LSTM网络结构 | 第17-20页 |
| 2.1.2 BI-LSTM网络结构 | 第20-21页 |
| 2.1.3 激活函数 | 第21-22页 |
| 2.1.4 Dropout技术 | 第22-24页 |
| 2.2 文本表示方法 | 第24-27页 |
| 2.2.1 词表示方法 | 第24-25页 |
| 2.2.2 句子表示模型 | 第25-27页 |
| 2.3 句子相似度计算 | 第27-31页 |
| 2.3.1 基于向量空间模型的相似度计算方法 | 第27-28页 |
| 2.3.2 基于语义词典的相似度计算方法 | 第28-29页 |
| 2.3.3 基于深度学习的相似度计算方法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于循环神经网络的试题相似度计算模型 | 第32-54页 |
| 3.1 试题相似度问题描述 | 第32页 |
| 3.2 基于TF-IDF加权词向量的试题相似度计算 | 第32-40页 |
| 3.2.1 模型结构 | 第33-34页 |
| 3.2.2 算法流程 | 第34-35页 |
| 3.2.3 实验数据的预处理 | 第35-37页 |
| 3.2.4 实验评价指标 | 第37页 |
| 3.2.5 实验结果分析 | 第37-40页 |
| 3.3 基于循环神经网络的试题相似度计算模型 | 第40-53页 |
| 3.3.1 相似度计算模型结构 | 第40-43页 |
| 3.3.2 损失函数的设计 | 第43-44页 |
| 3.3.3 模型训练方法 | 第44-45页 |
| 3.3.4 实验环境 | 第45页 |
| 3.3.5 实验数据说明 | 第45-46页 |
| 3.3.6 实验设计 | 第46页 |
| 3.3.7 实验比对分析 | 第46-53页 |
| 3.4 本章小结 | 第53-54页 |
| 第四章 基于循环神经网络的试题分类模型 | 第54-70页 |
| 4.1 试题知识点关联分类问题 | 第54页 |
| 4.2 基于TF-IDF加权词向量的试题分类模型 | 第54-60页 |
| 4.2.1 模型结构 | 第54-56页 |
| 4.2.2 算法流程 | 第56页 |
| 4.2.3 数据预处理 | 第56-57页 |
| 4.2.4 实验评价指标 | 第57-58页 |
| 4.2.5 实验结果分析 | 第58-60页 |
| 4.3 基于循环神经网络的试题分类模型 | 第60-69页 |
| 4.3.1 分类函数和损失函数 | 第62页 |
| 4.3.2 实验数据 | 第62-63页 |
| 4.3.3 实验比对分析 | 第63-69页 |
| 4.4 本章小结 | 第69-70页 |
| 第五章 总结和展望 | 第70-72页 |
| 5.1 总结 | 第70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读学位期间主要的研究成果 | 第76-77页 |
| 致谢 | 第77页 |