| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第17-41页 |
| 1.1 研究背景和意义 | 第17-18页 |
| 1.2 研究现状 | 第18-39页 |
| 1.2.1 篇章语料库 | 第18-25页 |
| 1.2.2 基于人工特征的方法 | 第25-29页 |
| 1.2.3 基于分布式特征的方法 | 第29-33页 |
| 1.2.4 引入显式篇章数据的半监督方法 | 第33-39页 |
| 1.3 研究内容及创新 | 第39-40页 |
| 1.4 本文的组织结构 | 第40-41页 |
| 第二章 基于协同训练的隐式篇章关系识别 | 第41-61页 |
| 2.1 引言 | 第41-42页 |
| 2.2 基于协同训练的隐式篇章关系识别 | 第42-45页 |
| 2.2.1 框架 | 第43-44页 |
| 2.2.2 算法 | 第44-45页 |
| 2.2.3 人工特征 | 第45页 |
| 2.3 基于递归自编码器的分布式特征 | 第45-49页 |
| 2.3.1 概述 | 第45-46页 |
| 2.3.2 词向量 | 第46页 |
| 2.3.3 递归自编码器 | 第46-48页 |
| 2.3.4 双语约束的递归自编码器 | 第48-49页 |
| 2.4 实验 | 第49-59页 |
| 2.4.1 实验设置 | 第49-51页 |
| 2.4.2 分布式特征的效果 | 第51-52页 |
| 2.4.3 两类特征是否互补 | 第52-53页 |
| 2.4.4 CoTrain在PDTB数据集上的效果 | 第53-55页 |
| 2.4.5 选中的人造隐式篇章实例的质量 | 第55-56页 |
| 2.4.6 学习曲线 | 第56-57页 |
| 2.4.7 使用未标注隐式篇章数据的效果 | 第57页 |
| 2.4.8 CoTrain在CDTB数据集上的效果 | 第57-59页 |
| 2.5 相关工作 | 第59-60页 |
| 2.6 小结 | 第60-61页 |
| 第三章 引入双语约束人造数据的隐式篇章关系识别 | 第61-82页 |
| 3.1 引言 | 第61-62页 |
| 3.2 双语约束的人造隐式篇章数据 | 第62-65页 |
| 3.3 多任务神经网络模型 | 第65-70页 |
| 3.3.1 基本的神经网络分类模型 | 第66-67页 |
| 3.3.2 两种参数共享策略 | 第67-69页 |
| 3.3.3 模型训练 | 第69-70页 |
| 3.4 实验 | 第70-80页 |
| 3.4.1 实验设置 | 第70-71页 |
| 3.4.2 PDTB数据集上的效果 | 第71-75页 |
| 3.4.3 CDTB数据集上的效果 | 第75-78页 |
| 3.4.4 BiSynData的进一步分析 | 第78-79页 |
| 3.4.5 超参分析 | 第79-80页 |
| 3.5 相关工作 | 第80-81页 |
| 3.6 小结 | 第81-82页 |
| 第四章 基于连接词敏感的词向量的隐式篇章关系识别 | 第82-95页 |
| 4.1 引言 | 第82-83页 |
| 4.2 连接词敏感的词向量 | 第83-85页 |
| 4.3 隐式篇章关系识别模型 | 第85页 |
| 4.4 实验 | 第85-93页 |
| 4.4.1 实验设置 | 第85-87页 |
| 4.4.2 PDTB数据集上的效果 | 第87-90页 |
| 4.4.3 CDTB数据集上的效果 | 第90-92页 |
| 4.4.4 超参分析 | 第92-93页 |
| 4.5 相关工作 | 第93-94页 |
| 4.6 小结 | 第94-95页 |
| 第五章 总结与展望 | 第95-97页 |
| 5.1 总结 | 第95-96页 |
| 5.2 展望 | 第96-97页 |
| 参考文献 | 第97-105页 |
| 攻读博士学位期间的研究成果 | 第105-107页 |
| 致谢 | 第107页 |