通过本书所构建的新型阅读眼动可计算模型，可以定量分析阅读行为和评价已有模型，对影响读者的眼跳模式和眼跳策略的语言学特征进行定量研究，为验证、修正和反驳现有理论假设提供有力的证据。 本书是机器学习的应用研究，是深度学习融合领域知识的一次有益实践，使用较少的手工提取特征，就能使模型获得较好的性能，这在机器视觉、自然语言处理、虚拟现实、身份识别、智能化测评等领域都有重要的应用价值。 本书适合于从事阅读心理学和认知语言学研究的人。

第1章 绪论
1.1 研究目的与意义
1.2 国内外研究概况
1.3 相关研究述评及发展趋势
1.4 研究内容
第2章 阅读眼动注视序列标注方法
2.1 自然语言处理序列标注任务
2.2 阅读眼动注视序列标注方法
2.3 数据集
2.4 评价指标
2.5 实验平台
2.6 方法在机器学习模型上的实现
2.7 本章小结
第3章 基于深度学习的阅读眼动模型
3.1 基于深度学习的阅读眼动模型基本架构
3.2 基于预训练词向量和语言数据一维卷积的阅读词富语义表示
3.3 融入注意力机制的阅读眼动模型架构
3.4 改进阅读眼动序列标注分类器
3.5 小样本阅读眼动数据下的堆叠式LSTM层数优化
3.6 基于多输入深度学习架构的阅读眼动领域知识融合
3.7 与其他模型的对比
3.8 本章小结
第4章 基于深度学习的阅读注视词预测
4.1 网络架构
4.2 基于Provo语料库的阅读注视词预测
4.3 基于GECO语料库的阅读注视词预测
4.4 基于Dundee语料库的阅读注视词预测
4.5 阅读眼动数据增强技术
4.6 与现有方法的对比
4.7 本章小结
第5章 基于阅读眼动的生物特征识别
5.1 基于眼动轨迹的生物特征识别
5.2 问题设置
5.3 基于阅读眼动的生物特征识别模型架构
5.4 注视序列相似性度量方法
5.5 实验过程与方法
5.6 实验结果与讨论
5.7 本章小结
第6章 总结与展望
6.1 结论和创新点
6.2 未来工作方向
参考文献
附录