基于认知概念信息量的文本语义相似度模型研究

　　本书面向计算机科学、信息科学、认知科学、语言学等专业的本科生、研究生、研究学者或者软件研发人员，由浅入深、跨学科地介绍了认知概念信息量、基于认知概念信息增益的文本信息量计算方法、融合认知概念信息权重的全文本信息量计算方法，一步一步实现了基于认知概念信息量的文本语义相似度的模型。本书模型建立在认知概念网络基础上，计算方法接近人类的思维习惯，更加符合人工智能初衷。本书模型具有可解释性，参数含义十分明确，易于根据应用领域或场景调优性能，具有优良的发展前景。本书研究方法另辟蹊径，在深度学习大行其道的今天对相关研究人员是不失为一种启发和补充。

　　吴昊，博士，硕士生导师，北京理工大学计算机学院、人工智能研究院教师。北京市海量语言信息处理与云计算应用工程技术研究中心、信息智能处理与内容安全工信部重点实验室骨干成员。

第1章 绪论
1.1 研究背景
1.2 研究意义
1.3 研究目标
1.4 研究内容
1.5 本书组织结构
第2章 文本语义相似度研究现状
2.1 标注数据及评估方法
2.1.1 早期评估数据
2.1.2 SemEval STS任务数据
2.1.3 系统评估方法
2.2 文本语义相似度研究方法
2.2.1 无监督模型
2.2.2 有监督模型
2.3 认知概念信息量方法
第3章 基于认知概念信息量的文本语义相似度基本模型
3.1 引言
3.2 相关工作
3.3 认知概念空间中的文本语义相似度
3.3.1 认知概念空间与认知概念信息量
3.3.2 基于容斥原理的文本认知概念信息量
3.3.3 文本语义相似度基本模型
3.4 模型的实现
3.4.1 知识库与数据库的使用
3.4.2 获取认知概念的频率
3.4.3 选择词语对应的认知概念
3.5 实验
3.5.1 模型的整体性能
3.5.2 知识库和数据库的影响分析
3.5.3 模型的适应性分析
3.5.4 模型准确率和效率的关系分析
3.6 本章小结
第4章 基于认知概念信息增益的文本信息量计算方法
4.1 引言
4.2 预备知识
4.3 文本信息量的计算与证明
4.3.1 基本概念和函数
4.3.2 文本信息量计算公式的推导
4.3.3 文本信息量的高效算法
4.4 算法复杂性分析与实验
4.4.1 算法复杂性分析
4.4.2 算法效率对比实验
4.5 本章小结
第5章 融合认知概念信息权重的全文本信息量计算方法
5.1 引言
5.2 相关工作
5.3 融合认知概念信息权重的全文本信息量
5.3.1 基于WordNet的名词化方法
5.3.2 未登录词和功能词的计算
5.3.3 加权的文本信息量
5.4 实验
5.4.1 实验设置
5.4.2 增强模型的整体性能
5.4.3 与句嵌入表示方法的比较
5.4.4 增强模型对其他方法性能的提升
5.4.5 增强模型的各核心模块分析
5.4.6 名词化方法分析
5.4.7 基于WordNet的派生方法分析
5.4.8 未登录命名实体计算分析
5.4.9 信息权重融合分析
5.5 本章小结
第6章 基于增强模型的测评系统
6.1 SemEval STS测评任务简介
6.2 SemEval STS测评系统
6.2.1 增强模型测评系统(Run 1)
6.2.2 融合词语对齐模型的系统(Run 2)
6.2.3 融合深度学习模型的系统(Run 3)
6.3 测评数据集
6.4 系统评估
6.4.1 数据预处理
6.4.2 成绩及讨论
6.5 STS Benchmark
6.6 本章小结
总结和展望
参考文献