搜索引擎中的实体推荐关键技术研究

丛书序
导师序
摘要

第1章　绪论
1.1　课题背景及意义1
1.1.1　实体推荐的定义及研究背景1
1.1.2　实体推荐的挑战及研究意义6
1.2　研究现状及分析12
1.2.1　实体推荐算法12
1.2.2　实体推荐的可解释性23
1.2.3　尚且存在的问题31
1.3　本书的研究内容及章节安排35

第2章　基于排序学习与信息新颖性增强的实体推荐
2.1　引言40
2.2　问题定义43
2.2.1　信息新颖性定义43
2.2.2　基于信息新颖性增强的实体推荐任务定义47
2.3　基于排序学习框架的实体推荐算法49
2.3.1　相关实体发现50
2.3.2　相关实体排序53
2.4　实验设置69
2.4.1　实验数据69
2.4.2　基线方法70
2.4.3　评价指标72
2.5　实验结果与分析75
2.5.1　本方法与五种基线方法的比较76
2.5.2　不同特征的贡献度分析78
2.6　本章小结81

第3章　基于深度多任务学习的上下文相关实体推荐
3.1　引言83
3.2　问题定义87
3.2.1　上下文相关实体推荐任务定义87
3.2.2　使用多任务学习的原因89
3.3　基于多任务学习的上下文相关实体推荐模型92
3.3.1　上下文无关实体推荐模型92
3.3.2　上下文相关实体推荐模型94
3.3.3　使用多任务学习提升上下文相关实体推荐模型的效果95
3.3.4　利用上下文相关实体推荐模型提升推荐效果98
3.4　实验设置100
3.4.1　实验数据与评价指标101
3.4.2　基线方法104
3.5　实验结果与分析105
3.5.1　上下文信息的影响105
3.5.2　多任务学习与单任务学习的比较106
3.5.3　实体推荐模型的比较107
3.5.4　搜索会话长度的影响108
3.5.5　上下文相关文档排序的效果110
3.6　本章小结111

第4章　基于卷积神经网络的实体对推荐理由识别
4.1　引言112
4.2　问题定义116
4.3　实体对推荐理由识别方法118
4.3.1　训练数据的构建方法118
4.3.2　基于卷积神经网络的排序模型122
4.4　实验设置125
4.4.1　实验数据126
4.4.2　基线方法128
4.4.3　评价指标130
4.5　实验结果与分析130
4.5.1　人工设计特征与自动学习特征的比较131
4.5.2　基于pointwise与基于pairwise的排序方法的比较132
4.5.3　本方法与三种基线方法的比较133
4.6　本章小结138

第5章　基于机器翻译模型的实体推荐理由生成　
5.1　引言139
5.2　问题定义142
5.3　基于统计机器翻译模型的实体推荐理由生成144
5.4　基于神经机器翻译模型的实体推荐理由生成148
5.4.1　Seq2Seq模型149
5.4.2　由实体信息指导的Seq2Seq模型156
5.4.3　基于Seq2Seq的实体推荐理由生成模型161
5.5　实验设置162
5.5.1　实验数据162
5.5.2　对比方法165
5.5.3　评价指标169
5.6　实验结果与分析171
5.6.1　不同实体推荐理由生成方法的比较与分析171
5.6.2　基于Seq2Seq的实体推荐理由生成模型分析174
5.6.3　基于实例的方法的比较与分析176
5.7　本章小结181

结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢