在高速發(fā)展的互聯(lián)網(wǎng)時代,檢索成為了人們查找并獲取知識重要手段,其便利的使用方法可以幫助人們快速獲取想要的信息。文本檢索作為最基本的檢索方式之一,雖然在過去的幾十年中通過傳統(tǒng)的布爾模型,詞袋模型和一些經(jīng)典的排序算法有了極大的提高,但是仍然存在很多問題。一方面是算法在自然語言的理解上的不足。傳統(tǒng)的方法大部分基于詞頻的統(tǒng)計匹配而并非是在語義上理解文章和問題給出答案,導致很多答案沒有準確理解搜索語義而被排除掉。另一方面?zhèn)鹘y(tǒng)的排序模型也存在著學習能力不足,學習效果嚴重依賴于人工特征選擇和提取等問題。在過去的幾年中深度學習模型和知識圖譜表示推理有了很大的進展,并在各個領(lǐng)域取得了重要突破。深度學習網(wǎng)絡因為其端到端的優(yōu)秀提取特征能力,以及層數(shù)的疊加帶來的計算收益在很多方面超越了傳統(tǒng)的機器學習算法,在深度學習模型上發(fā)展的詞向量和文本表示模型已經(jīng)廣泛的應用在自然語言的各種分支中。知識圖譜可以描述實體的概念和實體之間關(guān)系,并構(gòu)成巨大的網(wǎng)絡關(guān)系圖,其中的概念經(jīng)過人工審核準確而可靠。通過知識圖譜,可以準確的存儲有關(guān)實體的知識,在問答和檢索,實體連接等任務上都有可靠的表現(xiàn)。借助現(xiàn)有的知識圖譜表示方法和深度學習排序...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究工作的背景和意義
    1.2 國內(nèi)外研究歷史和現(xiàn)狀
        1.2.1 基于傳統(tǒng)方法的文本檢索研究現(xiàn)狀
        1.2.2 基于深度學習的文本檢索研究現(xiàn)狀
        1.2.3 基于實體表示的文本檢索研究現(xiàn)狀
    1.3 本論文的主要工作內(nèi)容
第2章 相關(guān)工作
    2.1 知識圖實體表示方法
        2.1.1 知識圖譜簡介
        2.1.2 圖譜構(gòu)建方法
        2.1.3 圖譜實體表示
            2.1.3.1 網(wǎng)絡表示學習
            2.1.3.2 知識圖譜表示學習
    2.2 深度學習
        2.2.1 常用的神經(jīng)網(wǎng)絡結(jié)構(gòu)
        2.2.2 詞向量與相似度矩陣
            2.2.2.1 詞向量的獲取
            2.2.2.2 相似度矩陣的計算方式
        2.2.3 神經(jīng)網(wǎng)絡在檢索模型中的應用
            2.2.3.1 基于表示的模型結(jié)構(gòu)
            2.2.3.2 基于交互的模型結(jié)構(gòu)
    2.3 排序?qū)W習方法
    2.4 本章小結(jié)
第3章 基于多關(guān)系實體嵌入的檢索模型
    3.1 基于交互的模型結(jié)構(gòu)K-NRM
    3.2 引入多關(guān)系實體嵌入的K-NRM
    3.3 實驗
        3.3.1 實驗數(shù)據(jù)集介紹
        3.3.2 模型的評價標準
        3.3.3 實驗環(huán)境介紹
        3.3.4 實驗細節(jié)及參數(shù)設置
        3.3.5 實驗結(jié)果評估
    3.4 本章小結(jié)
第4章 改進的深度學習排序網(wǎng)絡用于文本檢索
    4.1 多頭自注意力機制
    4.2 使用改進的多頭自注意力機制的AKESR模型
    4.3 實驗
        4.3.1 實驗細節(jié)及參數(shù)設置
        4.3.2 實驗結(jié)果評估
    4.4 本章小結(jié)
第5章 結(jié)果與展望
參考文獻
作者簡介及在學期間所獲得的科研成果
致謝



本文編號：3797857