用于自然语言分布式表达的联合学习方法研究 |
论文目录 | | | 摘要 | 第1-6页 | | ABSTRACT | 第6-13页 | | 第一章 绪论 | 第13-25页 | | · 传统特征工程与深度表示学习 | 第13-17页 | | · 用于自然语言处理领域的深度学习 | 第17-25页 | | 第二章 自然语言分布式表达 | 第25-43页 | | · 深度学习 | 第25-30页 | | · 神经网络基本概念 | 第25-28页 | | · 深度表示学习 | 第28-30页 | | · 基于深度学习的自然语言分布式表达 | 第30-43页 | | · 单词分布式表达 | 第30-34页 | | · 句子分布式表达 | 第34-40页 | | · 段落、文档分布式表达 | 第40-43页 | | 第三章 单词分布式表达与单词消歧的联合学习 | 第43-61页 | | · 相关工作 | 第44-45页 | | · 用于建模单词多义性的Skip Gram Mixture算法 | 第45-50页 | | · 数学模型 | 第45-47页 | | · EM训练算法 | 第47-50页 | | · 模型参数比较 | 第50页 | | · 实验结果 | 第50-58页 | | · 实验设置 | 第51页 | | · 定性实验 | 第51-53页 | | · 单词相似度任务 | 第53-55页 | | · 大规模并行实现 | 第55-58页 | | · 总结 | 第58-61页 | | 第四章 单词分布式表达与知识图谱表达的联合学习 | 第61-79页 | | · 背景介绍 | 第61-66页 | | · 知识图谱与知识图谱表示学习 | 第62-66页 | | · ProjectNet算法 | 第66-71页 | | · 文本模型 | 第66-67页 | | · 知识模型 | 第67-68页 | | · ProjectNet与其他模型的关系 | 第68-71页 | | · 实验结果 | 第71-77页 | | · 实验配置 | 第71-72页 | | · 单词语义推断(Analogical Reasoning)任务 | 第72-76页 | | · 单词相似度任务 | 第76-77页 | | · 总结 | 第77-79页 | | 第五章 联合学习单词分布式表达的应用——自动智商测试 | 第79-97页 | | · 背景介绍 | 第79-81页 | | · 标准智商测试 | 第81-83页 | | · 标准智商测试中的词汇问题 | 第81-83页 | | · 解决智商测试词汇问题的算法 | 第83-89页 | | · 问题类型分类 | 第84页 | | · 联合学习单词多义性和知识关系的分布式表达 | 第84-87页 | | · 每种问题类型的具体解法 | 第87-89页 | | · 词汇智商测试实验 | 第89-94页 | | · 数据收集 | 第90页 | | · 基准对比模型 | 第90-92页 | | · 实验结果 | 第92-94页 | | · 总结 | 第94-97页 | | 第六章 句子分布式表达与主题模型的联合学习 | 第97-115页 | | · 背景介绍 | 第98-99页 | | · 相关工作 | 第99-101页 | | · 句子层级递归主题模型 | 第101-107页 | | · 文档生成过程 | 第102-104页 | | · 随机变分推断和训练算法 | 第104-107页 | | · 实验结果 | 第107-113页 | | · 实验设置 | 第108-109页 | | · 文档建模任务 | 第109-110页 | | · 文档分类任务 | 第110-111页 | | · 主题代表句子生成 | 第111-113页 | | · 总结 | 第113-115页 | | 第七章 总结与展望 | 第115-119页 | | 参考文献 | 第119-127页 | | 致谢 | 第127-129页 | | 在读期间发表的学术论文 | 第129页 |
|
|
|
| |
