基于認(rèn)知概念信息量的文本語義相似度模型研究

第1章 緒論
1.1 研究背景
1.2 研究意義
1.3 研究目標(biāo)
1.4 研究?jī)?nèi)容
1.5 本書組織結(jié)構(gòu)
第2章 文本語義相似度研究現(xiàn)狀
2.1 標(biāo)注數(shù)據(jù)及評(píng)估方法
2.1.1 早期評(píng)估數(shù)據(jù)
2.1.2 SemEval STS任務(wù)數(shù)據(jù)
2.1.3 系統(tǒng)評(píng)估方法
2.2 文本語義相似度研究方法
2.2.1 無監(jiān)督模型
2.2.2 有監(jiān)督模型
2.3 認(rèn)知概念信息量方法
第3章 基于認(rèn)知概念信息量的文本語義相似度基本模型
3.1 引言
3.2 相關(guān)工作
3.3 認(rèn)知概念空間中的文本語義相似度
3.3.1 認(rèn)知概念空間與認(rèn)知概念信息量
3.3.2 基于容斥原理的文本認(rèn)知概念信息量
3.3.3 文本語義相似度基本模型
3.4 模型的實(shí)現(xiàn)
3.4.1 知識(shí)庫與數(shù)據(jù)庫的使用
3.4.2 獲取認(rèn)知概念的頻率
3.4.3 選擇詞語對(duì)應(yīng)的認(rèn)知概念
3.5 實(shí)驗(yàn)
3.5.1 模型的整體性能
3.5.2 知識(shí)庫和數(shù)據(jù)庫的影響分析
3.5.3 模型的適應(yīng)性分析
3.5.4 模型準(zhǔn)確率和效率的關(guān)系分析
3.6 本章小結(jié)
第4章 基于認(rèn)知概念信息增益的文本信息量計(jì)算方法
4.1 引言
4.2 預(yù)備知識(shí)
4.3 文本信息量的計(jì)算與證明
4.3.1 基本概念和函數(shù)
4.3.2 文本信息量計(jì)算公式的推導(dǎo)
4.3.3 文本信息量的高效算法
4.4 算法復(fù)雜性分析與實(shí)驗(yàn)
4.4.1 算法復(fù)雜性分析
4.4.2 算法效率對(duì)比實(shí)驗(yàn)
4.5 本章小結(jié)
第5章 融合認(rèn)知概念信息權(quán)重的全文本信息量計(jì)算方法
5.1 引言
5.2 相關(guān)工作
5.3 融合認(rèn)知概念信息權(quán)重的全文本信息量
5.3.1 基于WordNet的名詞化方法
5.3.2 未登錄詞和功能詞的計(jì)算
5.3.3 加權(quán)的文本信息量
5.4 實(shí)驗(yàn)
5.4.1 實(shí)驗(yàn)設(shè)置
5.4.2 增強(qiáng)模型的整體性能
5.4.3 與句嵌入表示方法的比較
5.4.4 增強(qiáng)模型對(duì)其他方法性能的提升
5.4.5 增強(qiáng)模型的各核心模塊分析
5.4.6 名詞化方法分析
5.4.7 基于WordNet的派生方法分析
5.4.8 未登錄命名實(shí)體計(jì)算分析
5.4.9 信息權(quán)重融合分析
5.5 本章小結(jié)
第6章 基于增強(qiáng)模型的測(cè)評(píng)系統(tǒng)
6.1 SemEval STS測(cè)評(píng)任務(wù)簡(jiǎn)介
6.2 SemEval STS測(cè)評(píng)系統(tǒng)
6.2.1 增強(qiáng)模型測(cè)評(píng)系統(tǒng)(Run 1)
6.2.2 融合詞語對(duì)齊模型的系統(tǒng)(Run 2)
6.2.3 融合深度學(xué)習(xí)模型的系統(tǒng)(Run 3)
6.3 測(cè)評(píng)數(shù)據(jù)集
6.4 系統(tǒng)評(píng)估
6.4.1 數(shù)據(jù)預(yù)處理
6.4.2 成績(jī)及討論
6.5 STS Benchmark
6.6 本章小結(jié)
總結(jié)和展望
參考文獻(xiàn)