| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 对话模型的定义与划分 | 第8页 |
| 1.2 对话模型的研究历史与现状 | 第8-10页 |
| 1.3 情感模型的研究历史与现状 | 第10-11页 |
| 1.4 对话情感模型的研究意义 | 第11页 |
| 1.5 本文的组织结构 | 第11-14页 |
| 第2章 对话情感模型的相关技术介绍 | 第14-28页 |
| 2.1 循环神经网络 | 第14-17页 |
| 2.1.1 循环神经网络简介 | 第14-15页 |
| 2.1.2 长短时记忆神经网络(LSTM) | 第15-16页 |
| 2.1.3 循环神经网络在NLP中的应用与扩展 | 第16-17页 |
| 2.2 Sequence-to-Sequence模型 | 第17-18页 |
| 2.2.1 Sequence-to-Sequence模型简介 | 第17页 |
| 2.2.2 带有注意力机制的Sequence-to-Sequence模型 | 第17-18页 |
| 2.3 TextRank算法 | 第18-19页 |
| 2.3.1 PageRank算法 | 第18-19页 |
| 2.3.2 TextRank算法 | 第19页 |
| 2.4 Word2Vec算法 | 第19-22页 |
| 2.4.1 词向量简介 | 第19-20页 |
| 2.4.2 Word2Vec向量 | 第20-22页 |
| 2.5 生成对抗网络 | 第22-24页 |
| 2.6 增强学习 | 第24-27页 |
| 2.6.1 马尔科夫决策过程 | 第24-26页 |
| 2.6.2 增强学习 | 第26-27页 |
| 2.7 本章小结 | 第27-28页 |
| 第3章 对话情感模型的算法设计 | 第28-42页 |
| 3.1 对话情感模型概述 | 第28-30页 |
| 3.2 生成模型设计 | 第30-32页 |
| 3.2.1 生成模型概述 | 第30页 |
| 3.2.2 具有注意力机制的Sequence-to-Sequence模型 | 第30-32页 |
| 3.3 判别模型设计 | 第32-34页 |
| 3.4 策略梯度的应用 | 第34-39页 |
| 3.4.1 策略梯度的概述 | 第34-36页 |
| 3.4.2 蒙特卡洛采样 | 第36-38页 |
| 3.4.3 策略梯度的在模型中的应用 | 第38-39页 |
| 3.5 模型的损失函数 | 第39-41页 |
| 3.5.1 损失函数概述 | 第39-40页 |
| 3.5.2 交叉熵函数 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 对话情感模型的判别模型算法设计 | 第42-52页 |
| 4.1 分级向量模型 | 第42-43页 |
| 4.2 基于TextRank和Word2Vec结合的特征权重计算方法 | 第43-47页 |
| 4.3 组合向量 | 第47-48页 |
| 4.4 Sigmoid激活函数 | 第48-50页 |
| 4.5 判别模型分类实验与分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 对话情感模型的实验设计与效果展示 | 第52-58页 |
| 5.1 实验环境、语料及预处理 | 第52页 |
| 5.2 对话情感模型的训练 | 第52-53页 |
| 5.3 对话情感模型的效果展示 | 第53-57页 |
| 5.4 本章小结 | 第57-58页 |
| 总结 | 第58-60页 |
| 本文总结 | 第58页 |
| 工作展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 致谢 | 第66页 |
