第1章 绪论
1.1 课题背景及意义
1.1.1 实体推荐的定义及研究背景
1.1.2 实体推荐的挑战及研究意义
1.2 研究现状及分析
1.2.1 实体推荐算法
1.2.2 实体推荐的可解释性
1.2.3 尚且存在的问题
1.3 本文的研究内容及章节安排
第2章 基于排序学习与信息新颖性增强的实体推荐
2.1 引言
2.2 问题定义
2.2.1 信息新颖性定义
2.2.2 基于信息新颖性增强的实体推荐任务定义
2.3 基于排序学习框架的实体推荐算法
2.3.1 相关实体发现
2.3.2 相关实体排序
2.4 实验设置
2.4.1 实验数据
2.4.2 基线方法
2.4.3 评价指标
2.5 实验结果与分析
2.5.1 本方法与五种基线方法的比较
2.5.2 不同特征的贡献度分析
2.6 本章小结
第3章 基于深度多任务学习的上下文相关实体推荐
3.1 引言
3.2 问题定义
3.2.1 上下文相关实体推荐任务定义
3.2.2 使用多任务学习的原因
3.3 基于多任务学习的上下文相关实体推荐模型
3.3.1 上下文无关实体推荐模型
3.3.2 上下文相关实体推荐模型
3.3.3 使用多任务学习提升上下文相关实体推荐模型的效果
3.3.4 利用上下文相关实体推荐模型提升推荐效果
3.4 实验设置
3.4.1 实验数据与评价指标
3.4.2 基线方法
3.5 实验结果与分析
3.5.1 上下文信息的影响
3.5.2 多任务学习与单任务学习的比较
3.5.3 实体推荐模型的比较
3.5.4 搜索会话长度的影响
3.5.5 上下文相关文档排序的效果
3.6 本章小结
第4章 基于卷积神经网络的实体对推荐理由识别
4.1 引言
4.2 问题定义
4.3.1 训练数据的构建方法
4.3.2 基于卷积神经网络的排序模型
4.4 实验设置
4.4.1 实验数据
4.4.2 基线方法
4.4.3 评价指标
4.5 实验结果与分析
4.5.1 人工设计特征与自动学习特征的比较
4.5.2 基于pointwise与基于pairwise的排序方法的比较
4.5.3 本方法与三种基线方法的比较
4.6 本章小结
第5章 基于机器翻译模型的实体推荐理由生成
5.1 引言
5.2 问题定义
5.3 基于统计机器翻译模型的实体推荐理由生成
5.4 基于神经机器翻译模型的实体推荐理由生成
5.4.1 序列到序列模型
5.4.2 由实体信息指导的序列到序列模型
5.4.3 基于序列到序列学习的实体推荐理由生成模型
5.5 实验设置
5.5.1 实验数据
5.5.2 对比方法
5.5.3 评价指标
5.6 实验结果与分析
5.6.1 不同实体推荐理由生成方法的比较与分析
5.6.2 基于序列到序列学习的实体推荐理由生成模型分析
5.6.3 基于实例的方法比较与分析
5.7 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
声明
致谢
个人简历
