| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 论文研究背景 | 第9-11页 |
| 1.2 论文研究目的及意义 | 第11-12页 |
| 1.3 国内外相关研究 | 第12-14页 |
| 1.4 本文研究内容及章节安排 | 第14-19页 |
| 1.4.1 本文研究内容 | 第14-16页 |
| 1.4.2 本文章节安排 | 第16-19页 |
| 第2章 基于内容与话题信息扩展的出行消费意图识别 | 第19-32页 |
| 2.1 引言 | 第19页 |
| 2.2 基于APRIORI共现关系挖掘算法的文本内容扩展 | 第19-21页 |
| 2.3 基于LDA主题模型的文本话题信息扩展 | 第21-23页 |
| 2.4 基于机器学习模型的出行意图识别 | 第23-27页 |
| 2.4.1 识别模型 | 第23-26页 |
| 2.4.2 意图识别流程 | 第26-27页 |
| 2.5 数据来源 | 第27-29页 |
| 2.6 实验结果与分析 | 第29-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 基于深度卷积与记忆神经网络的出行消费意图识别 | 第32-41页 |
| 3.1 引言 | 第32页 |
| 3.2 基于卷积神经网络的意图特征抽取与识别 | 第32-34页 |
| 3.3 基于长短期记忆神经网络的语义建模与识别 | 第34-36页 |
| 3.4 基于卷积记忆融合神经网络的特征构建与识别 | 第36-37页 |
| 3.5 实验与结果分析 | 第37-39页 |
| 3.6 本章小结 | 第39-41页 |
| 第4章 基于迁移学习的领域自适应出行消费意图识别 | 第41-48页 |
| 4.1 引言 | 第41页 |
| 4.2 基于源领域底层参数共享的跨领域迁移 | 第41-43页 |
| 4.3 基于多任务学习方法的跨领域迁移 | 第43-44页 |
| 4.4 迁移领域及实验数据情况 | 第44-45页 |
| 4.5 实验与结果分析 | 第45-46页 |
| 4.6 本章小结 | 第46-48页 |
| 第5章 聊天机器人中用户出行消费意图模块搭建 | 第48-59页 |
| 5.1 引言 | 第48页 |
| 5.2 出行消费意图模块框架设计 | 第48-53页 |
| 5.2.1 应用场景和整体逻辑 | 第48-50页 |
| 5.2.2 出行消费意图模块搭建 | 第50-53页 |
| 5.3 出行消费意图模块展示 | 第53-57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 |
| 攻读学位期间发表的学术论文 | 第64-66页 |
| 致谢 | 第66-67页 |