| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 传统文本蕴含识别方法研究现状 | 第11-12页 |
| 1.2.2 基于深度学习的文本蕴含识别方法研究现状 | 第12-14页 |
| 1.3 本文主要研究内容 | 第14-16页 |
| 1.3.1 文本蕴含识别任务的理解 | 第14-15页 |
| 1.3.2 本文的研究思路 | 第15-16页 |
| 1.4 本文的内容安排 | 第16-17页 |
| 第2章 基于逻辑回归模型的文本蕴含识别 | 第17-28页 |
| 2.1 引言 | 第17-18页 |
| 2.2 数据集介绍 | 第18-20页 |
| 2.3 基于逻辑回归模型的文本蕴含识别 | 第20-24页 |
| 2.3.1 与模式匹配相关的词汇化特征 | 第20-22页 |
| 2.3.2 句子语义相似度特征 | 第22-23页 |
| 2.3.3 逻辑回归模型 | 第23-24页 |
| 2.4 实验结果与分析 | 第24-27页 |
| 2.4.1 基于EOP平台的文本蕴含识别实验 | 第24-25页 |
| 2.4.2 特征过滤实验 | 第25-26页 |
| 2.4.3 基于逻辑回归模型的实验 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 基于句子表示的文本蕴含识别 | 第28-49页 |
| 3.1 引言 | 第28-29页 |
| 3.2 相关深度学习技术 | 第29-37页 |
| 3.2.1 双向LSTM | 第29-32页 |
| 3.2.2 神经网络激活函数 | 第32-33页 |
| 3.2.3 Dropout原理 | 第33-35页 |
| 3.2.4 早终止策略 | 第35页 |
| 3.2.5 RMSProp优化算法 | 第35页 |
| 3.2.6 暹罗网络结构 | 第35-36页 |
| 3.2.7 常见深度学习框架简介 | 第36-37页 |
| 3.3 基于双向LSTM的句子编码模型 | 第37-40页 |
| 3.3.1 句子预处理及词表构建 | 第37-38页 |
| 3.3.2 未登录词处理 | 第38-39页 |
| 3.3.3 基于双向LSTM的句子表示模型结构 | 第39-40页 |
| 3.4 实验及结果分析 | 第40-48页 |
| 3.4.1 句子表示模块 | 第40页 |
| 3.4.2 句子匹配模块 | 第40-42页 |
| 3.4.3 句子输入模块之输入策略 | 第42-43页 |
| 3.4.4 句子输入模块之词向量 | 第43-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 融合ATTENTION机制的文本蕴含识别 | 第49-66页 |
| 4.1 引言 | 第49页 |
| 4.2 前提假设合并输入的文本蕴含模型 | 第49-57页 |
| 4.2.1 基本模型结构 | 第49-50页 |
| 4.2.2 基于双层双向LSTM的文本蕴含识别 | 第50-52页 |
| 4.2.3 基于卷积神经网络和LSTM的文本蕴含识别 | 第52-57页 |
| 4.3 融合ATTENTION机制的文本蕴含识别 | 第57-64页 |
| 4.3.1 Attention机制 | 第57页 |
| 4.3.2 融合Attention机制的前提假设合并输入模型 | 第57-61页 |
| 4.3.3 融合Attention机制的句子表示模型 | 第61-64页 |
| 4.4 多模型投票策略 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 附录A | 第74-75页 |
| 攻读硕士学位期间发表的学术论文 | 第75-77页 |
| 致谢 | 第77页 |
