搜索引擎中的實體關鍵技術研究

叢書序
導師序
摘要
第1章緒論
1.1 課題背景及意義1
1.1.1 實體的定義及研究背景1
1.1.2 實體的挑戰及研究意義6
1.2 研究現狀及分析12
1.2.1 實體算法12
1.2.2 實體的可解釋性23
1.2.3 尚且存在的問題31
1.3 本書的研究內容及章節安排35

第2章基於排序學習與信息新穎性增強的實體
2.1 引言40
2.2 問題定義43
2.2.1 信息新穎性定義43
2.2.2 基於信息新穎性增強的實體任務定義47
2.3 基於排序學習框架的實體算法49
2.3.1 相關實體發現50
2.3.2 相關實體排序53
2.4 實驗設置69
2.4.1 實驗數據69
2.4.2 基線方法70
2.4.3 評價指標72
2.5 實驗結果與分析75
2.5.1 本方法與五種基線方法的比較76
2.5.2 不同特徵的貢獻度分析78
2.6 本章小結81

第3章基於深度多任務學習的上下文相關實體
3.1 引言83
3.2 問題定義87
3.2.1 上下文相關實體任務定義87
3.2.2 使用多任務學習的原因89
3.3 基於多任務學習的上下文相關實體模型92
3.3.1 上下文無關實體模型92
3.3.2 上下文相關實體模型94
3.3.3 使用多任務學習提升上下文相關實體模型的效果95
3.3.4 利用上下文相關實體模型提升效果98
3.4 實驗設置100
3.4.1 實驗數據與評價指標101
3.4.2 基線方法104
3.5 實驗結果與分析105
3.5.1 上下文信息的影響105
3.5.2 多任務學習與單任務學習的比較106
3.5.3 實體模型的比較107
3.5.4 搜索會話長度的影響108
3.5.5 上下文相關文檔排序的效果110
3.6 本章小結111

第4章基於捲積神經網絡的實體對理由識別
4.1 引言112
4.2 問題定義116
4.3 實體對理由識別方法118
4.3.1 訓練數據的構建方法118
4.3.2 基於捲積神經網絡的排序模型122
4.4 實驗設置125
4.4.1 實驗數據126
4.4.2 基線方法128
4.4.3 評價指標130
4.5 實驗結果與分析130
4.5.1 人工設計特徵與自動學習特徵的比較131
4.5.2 基於pointwise與基於pairwise的排序方法的比較132
4.5.3 本方法與三種基線方法的比較133
4.6 本章小結138

第5章基於機器翻譯模型的實體理由生成
5.1 引言139
5.2 問題定義142
5.3 基於統計機器翻譯模型的實體理由生成144
5.4 基於神經機器翻譯模型的實體理由生成148
5.4.1 Seq2Seq模型149
5.4.2 由實體信息指導的Seq2Seq模型156
5.4.3 基於Seq2Seq的實體理由生成模型161
5.5 實驗設置162
5.5.1 實驗數據162
5.5.2 對比方法165
5.5.3 評價指標169
5.6 實驗結果與分析171
5.6.1 不同實體理由生成方法的比較與分析171
5.6.2 基於Seq2Seq的實體理由生成模型分析174
5.6.3 基於實例的方法的比較與分析176
5.7 本章小結181
結論
參考文獻
攻讀博士學位期間發表的論文及其他成果
致謝