论文目录 | |
摘要 | 第1-6页 |
ABSTRACT | 第6-11页 |
第一章 绪论 | 第11-16页 |
1.1 引言 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.3 论文主要工作 | 第14-15页 |
1.4 论文组织结构 | 第15-16页 |
第二章 聊天机器人的相关技术 | 第16-27页 |
2.1 聊天机器人的关键技术和技术方法 | 第16-18页 |
2.1.1 聊天机器人的关键技术 | 第16-17页 |
2.1.2 聊天机器人的技术实现 | 第17-18页 |
2.2 WORD EMBEDDING的文本知识表示 | 第18-22页 |
2.2.1 Word Embedding技术简介 | 第18页 |
2.2.2 word2vec模型 | 第18-22页 |
2.2.3 词向量的生成 | 第22页 |
2.3 自然语言处理相关技术 | 第22-25页 |
2.3.1 句法分析 | 第22-23页 |
2.3.2 词义消歧 | 第23-25页 |
2.3.3 问句相似度计算 | 第25页 |
2.4 本章小结 | 第25-27页 |
第三章 深度学习介绍 | 第27-38页 |
3.1 深度学习模型 | 第27-31页 |
3.1.1 深度学习常用模型和训练方法 | 第27-30页 |
3.1.2 深度学习模型的应用 | 第30-31页 |
3.2 神经网络概述 | 第31-37页 |
3.2.1 深度神经网络 | 第32-33页 |
3.2.2 卷积神经网络 | 第33-34页 |
3.2.3 循环神经网络 | 第34-37页 |
3.3 本章小结 | 第37-38页 |
第四章 聊天机器人模型构建 | 第38-53页 |
4.1 神经网络主题模型 | 第38-43页 |
4.1.1 主题模型LDA | 第38-39页 |
4.1.2 LSTM- LDA神经网络主题模型 | 第39-41页 |
4.1.3 模型创建与验证 | 第41-43页 |
4.2 深度学习语言模型 | 第43-51页 |
4.2.1 传统的RNN Encoder-Decoder模型 | 第43-44页 |
4.2.2 基于注意力机制的Encoder-Decoder模型 | 第44-46页 |
4.2.3 Attention-Based LSTM的计算方法 | 第46-48页 |
4.2.4 Attention + LSTM的聊天机器人模型 | 第48-49页 |
4.2.5 Attention + Bi-LSTM的Encoder-Decoder模型 | 第49-51页 |
4.3 聊天机器人模型 | 第51-52页 |
4.4 本章小结 | 第52-53页 |
第五章 实验与结果分析 | 第53-62页 |
5.1 实验设计 | 第53-59页 |
5.1.1 实验环境 | 第53页 |
5.1.2 实验数据 | 第53-54页 |
5.1.3 实验具体设计 | 第54-57页 |
5.1.4 的构建过程 | 第57-59页 |
5.2 模型的训练与结果生成 | 第59-61页 |
5.2.1 聊天模型训练 | 第59-60页 |
5.2.2 使用训练模型预测结果 | 第60-61页 |
5.3 本章小结 | 第61-62页 |
第六章 总结与展望 | 第62-65页 |
6.1 总结 | 第62-63页 |
6.2 展望 | 第63-65页 |
参考文献 | 第65-70页 |
致谢 | 第70-71页 |
攻读学位期间的研究成果 | 第71页 |