搜索引擎中的實體推薦關(guān)鍵技術(shù)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　實體推薦的定義及研究背景1
1.1.2　實體推薦的挑戰(zhàn)及研究意義6
1.2　研究現(xiàn)狀及分析12
1.2.1　實體推薦算法12
1.2.2　實體推薦的可解釋性23
1.2.3　尚且存在的問題31
1.3　本書的研究內(nèi)容及章節(jié)安排35

第2章　基于排序?qū)W習與信息新穎性增強的實體推薦
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　基于信息新穎性增強的實體推薦任務定義47
2.3　基于排序?qū)W習框架的實體推薦算法49
2.3.1　相關(guān)實體發(fā)現(xiàn)50
2.3.2　相關(guān)實體排序53
2.4　實驗設(shè)置69
2.4.1　實驗數(shù)據(jù)69
2.4.2　基線方法70
2.4.3　評價指標72
2.5　實驗結(jié)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　不同特征的貢獻度分析78
2.6　本章小結(jié)81

第3章　基于深度多任務學習的上下文相關(guān)實體推薦
3.1　引言83
3.2　問題定義87
3.2.1　上下文相關(guān)實體推薦任務定義87
3.2.2　使用多任務學習的原因89
3.3　基于多任務學習的上下文相關(guān)實體推薦模型92
3.3.1　上下文無關(guān)實體推薦模型92
3.3.2　上下文相關(guān)實體推薦模型94
3.3.3　使用多任務學習提升上下文相關(guān)實體推薦模型的效果95
3.3.4　利用上下文相關(guān)實體推薦模型提升推薦效果98
3.4　實驗設(shè)置100
3.4.1　實驗數(shù)據(jù)與評價指標101
3.4.2　基線方法104
3.5　實驗結(jié)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　實體推薦模型的比較107
3.5.4　搜索會話長度的影響108
3.5.5　上下文相關(guān)文檔排序的效果110
3.6　本章小結(jié)111

第4章　基于卷積神經(jīng)網(wǎng)絡(luò)的實體對推薦理由識別
4.1　引言112
4.2　問題定義116
4.3　實體對推薦理由識別方法118
4.3.1　訓練數(shù)據(jù)的構(gòu)建方法118
4.3.2　基于卷積神經(jīng)網(wǎng)絡(luò)的排序模型122
4.4　實驗設(shè)置125
4.4.1　實驗數(shù)據(jù)126
4.4.2　基線方法128
4.4.3　評價指標130
4.5　實驗結(jié)果與分析130
4.5.1　人工設(shè)計特征與自動學習特征的比較131
4.5.2　基于pointwise與基于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(jié)138

第5章　基于機器翻譯模型的實體推薦理由生成　
5.1　引言139
5.2　問題定義142
5.3　基于統(tǒng)計機器翻譯模型的實體推薦理由生成144
5.4　基于神經(jīng)機器翻譯模型的實體推薦理由生成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　基于Seq2Seq的實體推薦理由生成模型161
5.5　實驗設(shè)置162
5.5.1　實驗數(shù)據(jù)162
5.5.2　對比方法165
5.5.3　評價指標169
5.6　實驗結(jié)果與分析171
5.6.1　不同實體推薦理由生成方法的比較與分析171
5.6.2　基于Seq2Seq的實體推薦理由生成模型分析174
5.6.3　基于實例的方法的比較與分析176
5.7　本章小結(jié)181

結(jié)論
參考文獻
攻讀博士學位期間發(fā)表的論文及其他成果
致謝