声明
1 绪论
1.1 研究背景及意义
1.1.1 文本检索的广泛运用
1.1.2 文本检索挑战
1.1.3 选题意义
1.2 国内外研究现状
1.2.1 传统文本匹配模型
1.2.2 深度学习文本匹配模型
1.3 目前模型存在的问题
1.4 创新点和技术路线
1.4.1 模型创新点
1.4.2 技术路线
1.5 本章小结
2 深度学习文本检索模型进展
2.1 深度学习文本索模型概述
2.2 文本检索模型的模型分析
2.2.1 基于全连接神经网络的模型
2.2.2 基于卷积神经网络
2.2.3 基于循环神经网络的模型
2.2.4 基于多语义文档表达的深度学习模型
2.3 文本检索模型的性能分析
2.4 本章小结
3 基于文本检索的深度关联匹配模型算法(DTMM)的研究
3.1 概述
3.2 模型介绍
3.3 模型相关工作
3.4 模型结构
3.4.1 交互矩阵层
3.4.2 K-MAX池化层
3.4.3 多层神经网络
3.4.4 损失函数
3.5 DTMM模型实验与性能分析
3.5.1 数据集
3.5.2 基准方法
3.5.3 实施细节
3.5.4 评估结果
3.5.5 DTMM不同版本的比较
3.5.6 DTMM在不同K-MAX池化层上的性能
3.6 本章小结
4 基于知识图谱检索模型的性能研究
4.1 概述
4.2 知识图谱研究与实体词向量的生成
4.2.1 知识图谱定义
4.2.2 Deepwalk介绍
4.2.3 结合知识图谱与Deepwalk模型构造实体词向量
4.2.4 运用SkipGram构造实体词向量
4.3 知识图谱检索模型
4.3.1 利用实体向量拓展文本信息
4.4 模型实验与性能分析
4.4.1 数据集
4.4.2 参数设置
4.4.3 模型性能对比
4.5 本章小结
5 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
个人简历、在学期间发表的学术论文及取得的研究成果
重庆理工大学;