第1章 绪论 1__eol__1.1 研究背景及意义 1__eol__1.2 基本定义及问题描述 3__eol__第2章 语义表示学习的基础信息 6__eol__2.1 发展历史 6__eol__2.2 实际应用 8__eol__第3章 分布表示方法 12__eol__3.1 概述 12__eol__3.2 基于矩阵分解的方法 15__eol__3.3 基于神经网络的方法 19__eol__3.4 方法总结与对比 26__eol__第4章 预训练语言模型 27__eol__4.1 ELMo模型 27__eol__4.2 GPT模型 28__eol__4.3 BERT模型 29__eol__4.4 RoBERTa模型 31__eol__4.5 XLNet模型 32__eol__4.6 方法总结与对比 33__eol__第5章 增强关联模式的语义表示方法 35__eol__5.1 引言 35__eol__5.2 相关工作 37__eol__5.3 预备知识 39__eol__5.3.1 基于上下文信息的语义表示模型 39__eol__5.3.2 关联模式挖掘 40__eol__5.4 增强关联模式的语义表示模型 41__eol__5.4.1 基于CBOW的APWE模型 42__eol__5.4.2 基于Skip-gram的APWE模型 43__eol__5.5 实验 44__eol__5.5.1 对比方法 45__eol__5.5.2 实验I：文本分类 45__eol__5.5.3 实验II：查询词扩展 48__eol__5.5.4 参数分析 51__eol__5.5.5 实例分析 52__eol__5.6 本章小结 53__eol__第6章 基于知识的语义向量化表示 55__eol__6.1 引言 55__eol__6.2 相关工作 57__eol__6.2.1 知识库表示 57__eol__6.2.2 知识与文本联合表示 59__eol__6.3 基于语义结构的语义表示模型 60__eol__6.3.1 语义结构定义 60__eol__6.3.2 SENSE模型 61__eol__6.4 实验 63__eol__6.4.1 对比方法 64__eol__6.4.2 参数设置 65__eol__6.4.3 任务I：词相似度测量 66__eol__6.4.4 任务II：词汇类比推理 67__eol__6.4.5 任务III：文本分类 69__eol__6.4.6 任务IV：查询词扩展 71__eol__6.5 本章小结 73__eol__第7章 文本分类中任务导向的语义表示方法 74__eol__7.1 引言 74__eol__7.2 相关工作 76__eol__7.3 任务导向的语义表示模型 78__eol__7.3.1 语义特征表示 78__eol__7.3.2 任务特征表示 78__eol__7.3.3 联合表示模型及优化 80__eol__7.4 实验 80__eol__7.4.1 数据集 80__eol__7.4.2 对比方法 82__eol__7.4.3 实验参数设置 82__eol__7.4.4 整体评测效果 84__eol__7.5 实例分析 87__eol__7.6 本章小结 89__eol__第8章 文本语义向量化表示在机器阅读理解任务中的应用 90__eol__8.1 引言 90__eol__8.2 机器阅读理解 93__eol__8.3 机器阅读理解基础方法 95__eol__8.4 多粒度语义匹配的MGRC模型 96__eol__8.4.1 多粒度语义表示 96__eol__8.4.2 多粒度语义匹配 99__eol__8.4.3 联合模型及其优化 103__eol__8.5 实验 103__eol__8.5.1 数据集 104__eol__8.5.2 评测指标及对比方法 105__eol__8.5.3 整体性能评测 106__eol__8.5.4 参数分析 109__eol__8.5.5 模块有效性验证 109__eol__8.5.6 实例分析 113__eol__8.6 本章小结 115__eol__第9章 总结与展望 116__eol__9.1 本书总结 116__eol__9.2 未来研究方向展望 117__eol__参考文献 119__eol__