| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 审计信息化现状 | 第12-13页 |
| 1.2.2 问答系统的研究现状 | 第13-15页 |
| 1.2.3 深度学习的研究现状 | 第15-16页 |
| 1.3 论文研究内容 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第2章 相关理论及技术 | 第19-28页 |
| 2.1 深度学习理论 | 第19-22页 |
| 2.1.1 卷积神经网络 | 第19-20页 |
| 2.1.2 长短期记忆循环神经网络模型 | 第20-22页 |
| 2.2 神经网络语言模型与词向量 | 第22-25页 |
| 2.2.1 神经网络语言模型 | 第22-23页 |
| 2.2.2 word2vec模型 | 第23-25页 |
| 2.3 条件随机场模型 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 企业财务审计领域实体识别算法 | 第28-41页 |
| 3.1 引言 | 第28-29页 |
| 3.2 语料收集与预处理 | 第29-32页 |
| 3.2.1 语料收集 | 第29-30页 |
| 3.2.2 领域实体特点分析 | 第30页 |
| 3.2.3 语料预处理 | 第30-32页 |
| 3.2.4 领域实体定义与标注 | 第32页 |
| 3.3 融合领域知识的特征构建 | 第32-36页 |
| 3.3.1 词向量构建 | 第33页 |
| 3.3.2 词性特征 | 第33-34页 |
| 3.3.3 领域词典构建 | 第34-35页 |
| 3.3.4 指示词特征构建 | 第35-36页 |
| 3.3.5 实体转移概率矩阵构建 | 第36页 |
| 3.4 基于Bi-LSTM+CRF融合的的领域实体识别算法 | 第36-39页 |
| 3.5 本章小结 | 第39-41页 |
| 第4章 基于多粒度文本匹配的问答检索模型 | 第41-51页 |
| 4.1 引言 | 第41-42页 |
| 4.2 数据预处理 | 第42-43页 |
| 4.3 多粒度问答匹配模型 | 第43-50页 |
| 4.3.1 输入层 | 第44页 |
| 4.3.2 表示层 | 第44-48页 |
| 4.3.3 匹配层 | 第48-50页 |
| 4.3.4 模型训练与参数调优 | 第50页 |
| 4.4 本章小结 | 第50-51页 |
| 第5章 实验结果验证及应用 | 第51-59页 |
| 5.1 企业财务审计领域实体识别实验 | 第51-53页 |
| 5.1.1 实验设置 | 第51-52页 |
| 5.1.2 实验结果与分析 | 第52-53页 |
| 5.2 问答检索实验 | 第53-54页 |
| 5.2.1 实验设置 | 第53-54页 |
| 5.2.2 实验结果与分析 | 第54页 |
| 5.3 企业财务审计问答系统框架设计及应用 | 第54-57页 |
| 5.3.1 系统框架设计说明 | 第54-55页 |
| 5.3.2 系统开发环境 | 第55-56页 |
| 5.3.3 系统实现 | 第56-57页 |
| 5.4 本章小结 | 第57-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第64-65页 |
| 致谢 | 第65页 |