| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-12页 |
| 1.1 课题研究背景和意义 | 第10页 |
| 1.2 本文的主要研究工作 | 第10-11页 |
| 1.3 论文结构安排 | 第11-12页 |
| 第二章 句级别分类任务和分布表示方法 | 第12-22页 |
| 2.1 传统方法和特征工程 | 第12-13页 |
| 2.1.1 n-gram模型 | 第12页 |
| 2.1.2 POS特征 | 第12-13页 |
| 2.1.3 n-gram和POS组合特征 | 第13页 |
| 2.1.4 句法依存树 | 第13页 |
| 2.2 词的分布表示技术 | 第13-15页 |
| 2.3 神经网络模型基础 | 第15-22页 |
| 2.3.1 卷积神经网络 | 第15-16页 |
| 2.3.2 循环神经网络 | 第16-19页 |
| 2.3.3 提高神经网络模型性能的常用技术 | 第19-22页 |
| 第三章 基于有监督的卷积—循环神经网络 | 第22-30页 |
| 3.1 数据集简介和基线模型 | 第22-23页 |
| 3.2 卷积—循环神经网络模型 | 第23-30页 |
| 3.2.1 基线模型存在的问题 | 第23-25页 |
| 3.2.2 卷积—循环神经网络模型结构 | 第25-26页 |
| 3.2.3 实验设置和一些技巧 | 第26-27页 |
| 3.2.4 实验结果和分析 | 第27-30页 |
| 第四章 基于无监督的多种自编码器模型 | 第30-42页 |
| 4.1 自编码器简介 | 第30-32页 |
| 4.2 基于卷积神经网络的自编码器 | 第32-35页 |
| 4.3 基于循环神经网络的自编码器 | 第35-38页 |
| 4.3.1 基于循环神经网络的自编码器模型结构 | 第35-36页 |
| 4.3.2 基于循环神经网络的自编码器与seq2seq模型 | 第36-38页 |
| 4.4 基于组合网络的自编码器 | 第38-39页 |
| 4.5 实验结果和分析 | 第39-42页 |
| 第五章 基于半监督的自动卷积—循环神经网络模型 | 第42-50页 |
| 5.1 半监督模型的设计框架 | 第43-44页 |
| 5.2 实验设置和损失函数的选择 | 第44-47页 |
| 5.2.1 卷积神经网络自编码器参数设置 | 第44页 |
| 5.2.2 循环神经网络自编码器参数设置 | 第44-45页 |
| 5.2.3 卷积—循环神经网络自编码器参数设置 | 第45页 |
| 5.2.4 损失函数选择和参数θ选择 | 第45-47页 |
| 5.3 实验结果和分析 | 第47-50页 |
| 5.3.1 卷积神经网络半监督框架结果 | 第47-48页 |
| 5.3.2 循环神经网络半监督框架结果 | 第48页 |
| 5.3.3 卷积—循环神经网络半监督框架结果 | 第48-50页 |
| 第六章 总结与展望 | 第50-52页 |
| 6.1 本文工作总结 | 第50页 |
| 6.2 未来工作展望 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 攻读学位期间发表的学术论文 | 第57页 |