因为你没有进行自动设置目录的前期操作所致。正确操作应： 
一、输入题目时这样操作 
1、打开WORD文档输入题目时，点菜单字体栏左侧样式窗口，选“题目1”，并选好字体和字号；如果想在目录中显示二级题目，输入二级题目时应选择“题目2”。 
2、输入正文时，则应在样式窗口选择“正文”。 
3、如果文件已经输入完成，可选中已输好题目，补做上述方法1程序。 
4、凡设置标题样式的题目，其左侧有小黑方块标志。 
二、文件输入完毕要自动生成目录时的操作： 
1、将光标置于拟加目录处。 
2、点“插入/索引和目录/目录”，在出现界面上在显示级别栏选定顶级别确定目录是几层；选择“显示页码”、“页码右对齐”及虚线样式等。 
3、确定。至此，目录在你指定位置已经生成。 
三、已生成目录的字体、间距等仍可以在目录中直接调整。

Word多级目录设置
简介
 作为一个优秀的程序员，日常的工作除了编码开发和测试之外，还有一项无法避免的，而且也占据巨大的工作量的内容就是文档的编制，因为

一个软件或者产品的质量，不是开发出来的，而是管理出来的

而管理的内容，不仅仅包括代码的版本管理，禅道Bug的管理，更重要的一项内容，便是文档。在项目要交付时，通常要完成的文档列表如下所示：

软件研制任务书
软件需求规格说明
软件开发计划
软件设计说明
软件测试计划
软件测试说明
软件测试报告
用户手册

 编写良好的文档，一个重要的前提，便是有一份格式良好的文档，这样在撰写文档时，编写人员不用太多的关注格式问题，因为一般在编写文档的时候，一般时间很近，在完成软件设计之类的真实内容之后，估计也剩不多的时间来调整文档了。如果质量部门给出的文档是一种格式比较不好的文档，比如说目录不是自动生成的，在一份短小的文章还不是什么问题，可一旦到了一定数量的时候，量变产生质变，甚至就是一个标点符号，当你要在文档中找10000次添加的时候，也会成为一个巨大的工作量。比如说，自己在编写设计说明的时候，该文档一共137页，结果调整目录，真的让我欲仙欲死啊。一言难尽，不多说。
编写文档动机
 由于单位最近要对博主负责的项目进行扩项审查，因此在约定了一个时间之后，有一堆的文档要写，结果，自己就受到了两个个打击。

图表样式不统一的问题。
标题不是自动产生。

 在一个人聚精会神的，却只是修改一个一个标点符号的时候，或者整理目录的时候，有可能花了两三个小时，却仍然没有整理完，而其他人又拼命催的时候，真的，那个时候真的会负能量爆棚，怨天怨地。当然，尴尬的是，在扩项文档撰写过程中，自己就遇到了这两个问题，那真的是怨气冲天。为了不让广大的程序员在这些问题上仍然会遭遇到和我一样的处境,因此博主编写了这个文档，希望对经常需要绘制文档的人能有所帮助。
动机2
 编写这个文档的第二个动机，就是自己是一个经常总结的人，就像现在的我坐在桌子前所做的事情一样，我太知道一份格式良好的文档的重要性了，格式有的时候意味着理解力，自己曾经写过一份优秀格式文档，当然这种实践并不是自己一开始就有的，而是我工作之后我师父曾经在内网给我发过一份，我看了当时并没有觉得有多大的意义，但之后，自己在外网还是认真的按照格式自己也做了一份优秀格式文档的模板，并且自己已经发布了资源。
撰写文档自动生成框架
但遗憾的是，当时在制作这份文档的时候，目录结构只产生了5级标题，在一些解决方案文档的撰写过程中，5级目录远远不够，而且文档中也没有定义表格的样式、表题和图题的样式。总之还是不足。因此今天花时间把word如何自定义多级目录的具体过程给记录下来，方便需要的人。

互联网时代，分享就是动力。

效果
效果1

并且可以通过快捷键
Alt + Shift + ←或者Alt + Shift + →，自动生成上一级目录或者同级目录
效果2

从上述的展示效果图中，我们可以看到如下的几个特征：

目录自动生成，也就是说第一章，或者第一部分分前面的章节号是由word工具自动生成，而不是手动添加的。
每级目录都是自动产生的，而且均顶格。
第二章中第一个个小节标题，而不是继续第一章的二级标题直接产生2.2的二级标题。

手动设置多级目录步骤
多级标题设置

word中产生多级目录的位置为开始->多级列表->定义新的多级列表


注意事项：

在设置自动产生的多级目录时，需要一口气全部设置完，切忌设置完了一个，然后重新设置。
在每一级目录目录设置时，要注意设置

修改的级别
将级别链接到样式
起始编号
位置

左对齐
对齐位置
文本缩进位置


重新开始列表的间隔

这个很重要，如果不设置，就会产生第二章中第一个个小节标题，而不是继续第一章的二级标题直接产生2.2的二级标题。
至于该界面显示的多个含义可以参见文章你不知道的word多级列表设置参数






设置一级标题
如下图所示：
设置的步骤为：

单击要修改的级别为1，然后将更改应用于整个列表，并且将级别链接到标题1，要在库中显示的级别设置为级别1，起始编号设置为1.位置设置为左对齐，对齐位置0厘米，文本缩进位置0厘米。

注意：

在设置1级标题时，包含的级别编号来自于重新开始列表的间隔均为灰色，无法设置。
在设置完之后，不要直接点击确定，而是继续设置2级标题。


设置2级标题
注意：在设置完一级标题之后，不要直接点击确定，而是直接设置2级标题。
注意：

除了设置1级列表不用设置包含的级别编号来自和重新开始的列表间隔之外，其他级别的编号均瑶设置。
重新开始列表的间隔设置为上一个级别的序号。比如说设置的是2级列表，则重新开始列表的间隔设置为级别1


设置三级标题

在此，要对输入编号的格式进行如下的解释：

1.1.1

其中第一个1，对应的包含的级别编号来自    选择的级别1

第二个1，对应的包含的级别编号来自级别2.

最后一个1，对应的此级别的编号样式1,2,3，…

设置的步骤

在进入设置第3级列表的对话框时，可以先清空输入编号的格式文本框中的所有内容
然后依次选择包含的级别编号来自对话框中的级别1，级别2
最后设置此级别的编号样式为1,2,3，…
此时输入编号的格式内容为111
在111中插入两个英文状态下的.即可。
此时预览状态如下图即可。


设置四级标题
设置4级标题的方式如法炮制：

设置五级标题

设置六级标题

依次设置第7、8、9级标题
不再赘述，最后的效果图如下：

快捷键
我们可以进一步为设置的多级列表添加样式添加快捷键，这样会更加方便文档的编写。

点击修改之后，就可以在对话框为标题3指定快捷键了。

可以为标题3指定快捷键 Alt + 3

之后，我们对标题4-标题9如法炮制，分别指定快捷键Alt + 4 到Alt + 9
注意：

可以看到，我们把更改保存在了Normal.dotm文件中。该文件保存了快捷键的设置。以及用户保存的样式，如果想要重置word的样式，则可以通过删除该文件，并新建一个空word文档，word会自动生成一个Normal.dotm的。


C:\Users\wanna\AppData\Roaming\Microsoft\Templates\Normal.dotm

word自动设置多级目录
新建空word文档，查看样式
 如果是重新建立一个word文档的话，也就是说还没有任何内容，此时可以采用word自定义的多级列表完成同样的样式。

先生成9个标题，再设置多级列表链接

该章节和下一小节的执行顺序没有关系，最终的目的都是为了在样式中生成9个标题，并关联到指定的多级列表
一个是先在样式中添加9个标题，然后设置每个标题样式的关联列表。
下一章节则先设置标题与多级列表的关联，然后通过快捷键Alt + shift +→在样式中生成9个标题。

挨个点击快捷键Alt+ 1到Alt+9在样式中生成9个标题
可以看到虽然刚才设置了多级列表样式，但并没有出现在新的文档中。但博主通过点击Alt + 1发现快捷键是有效的。比如所点击了Alt + 8之后的效果

设置多级列表

设置了之后，可以看到样式表发生变化

至此也是完成了设置，就可以通过Alt+6设置6级标题了。
先设置链接，再在样式中生成9个标题
新建空word文档，查看样式
 如果是重新建立一个word文档的话，也就是说还没有任何内容，此时可以采用word自定义的多级列表完成同样的样式。

可以看到，此时并没有出现一堆1的9个标题。
生成多级列表
采用word自带的多级列表，如下图所示：

选中之后，才生的效果如下：

至此，多级列表和多个标题样式的关联已经出现，但在样式栏中还未生成9个标题样式。
通过快捷键生成9个标题样式
光标与1级标题在同一行，此时连续点击快捷键

Alt + Shift + →挨个生成每个标题样式


依次点击快捷键，直到9个标题样式均出现即可。

所有的标题样式生成之后，如下图所示：

然后如上文所说，为9个标题添加快捷键即可。
下载
格式良好的文档模板
Word多级目录设置实践
总结
 终于把这个文章写完了，周六的效率依然很糟糕，先是上午吃饭的时候看了一个电影，精英部队。然后下午word也不听话，样式的生成不如我的意思，非常的糟糕。直接编写这个博客到了12:59，做饭吃饭，估计就两点了，又看了一个电视剧《你是我的命中注定》，就到了下午4点，这样一天的时间几乎就没有了，下午的时间还是就这样从指间溜走了。本来还想着要彻底的戒掉周末看视频的习惯呢，结果就在刚刚，自己和室友一起看了FPX vs TES的比赛，

看到这篇文章的人，如果能告诉我怎么不看视频的，让我发生一些改变，就好了。

 不管怎么说，这个文章，还是完成了，希望能对经常撰写文档需求的人有一些帮助。

2020年7月11日21:59:36于AUX

2020年7月11日23:58:40于AUX，快崩溃了。为了研究JFrame。唉唉唉

在WORD里，目录默认只显示到标题3
我想在自动更新目录的时候把标题4也加进来，请问应该怎么做？



在索引和目录里面的目录选项中,显示级别选择4就可以了.

该篇主要是讨论为什么要做word embedding:
gitbook阅读：Word Embedding介绍
至于word embedding的详细训练方法在下一节描述。

目录
单词表达
One hot representation
Distributed representation
Word embedding
目的
数据量角度
神经网络分析
训练简述

单词表达
先前在卷积神经网络的一节中，提到过图片是如何在计算机中被表达的。 同样的，单词也需要用计算机可以理解的方式表达后，才可以进行接下来的操作。
One hot representation
程序中编码单词的一个方法是one hot encoding。
实例：有1000个词汇量。排在第一个位置的代表英语中的冠词"a"，那么这个"a"是用[1,0,0,0,0,...]，只有第一个位置是1，其余位置都是0的1000维度的向量表示，如下图中的第一列所示。

也就是说，
在one hot representation编码的每个单词都是一个维度，彼此independent。
Distributed representation
然而每个单词彼此无关这个特点明显不符合我们的现实情况。我们知道大量的单词都是有关。
语义：girl和woman虽然用在不同年龄上，但指的都是女性。
复数：word和words仅仅是复数和单数的差别。
时态：buy和bought表达的都是“买”，但发生的时间不同。
所以用one hot representation的编码方式，上面的特性都没有被考虑到。
我们更希望用诸如“语义”，“复数”，“时态”等维度去描述一个单词。每一个维度不再是0或1，而是连续的实数，表示不同的程度。
目的
但是说到底，为什么我们想要用Distributed representation的方式去表达一个单词呢?
数据量角度
这需要再次记住我们的目的：
机器学习：从大量的个样本  中，寻找可以较好预测未见过  所对应  的函数  。
实例：在我们日常生活的学习中，大量的  就是历年真题，  是题目，而  是对应的正确答案。高考时将会遇到的  往往是我们没见过的题目，希望可以通过做题训练出来的解题方法  来求解出正确的  。
如果可以见到所有的情况，那么只需要记住所有的  所对应的  就可以完美预测。但正如高考无法见到所有类型的题一样，我们无法见到所有的情况。这意味着，
机器学习需要从有限的例子中寻找到合理的  。
高考有两个方向提高分数：
方向一：训练更多的数据：题海战术。
方向二：加入先验知识：尽可能排除不必要的可能性。
问题的关键在于训练所需要的数据量上。
同理，如果我们用One hot representation去学习，那么每一个单词我们都需要实例数据去训练，即便我们知道"Cat"和"Kitty"很多情况下可以被理解成一个意思。
为什么相同的东西却需要分别用不同的数据进行学习？

神经网络分析
假设我们的词汇只有4个，girl, woman, boy, man，下面就思考用两种不同的表达方式会有什么区别。
One hot representation
尽管我们知道他们彼此的关系，但是计算机并不知道。在神经网络的输入层中，每个单词都会被看作一个节点。 而我们知道训练神经网络就是要学习每个连接线的权重。如果只看第一层的权重，下面的情况需要确定4*3个连接线的关系，因为每个维度都彼此独立，girl的数据不会对其他单词的训练产生任何帮助，训练所需要的数据量，基本就固定在那里了。

Distributed representation
我们这里手动的寻找这四个单词之间的关系。可以用两个节点去表示四个单词。每个节点取不同值时的意义如下表。 那么girl就可以被编码成向量[0,1]，man可以被编码成[1,1]（第一个维度是gender，第二个维度是age）。

那么这时再来看神经网络需要学习的连接线的权重就缩小到了2*3。同时，当送入girl为输入的训练数据时，因为它是由两个节点编码的。那么与girl共享相同连接的其他输入例子也可以被训练到（如可以帮助到与其共享female的woman，和child的boy的训练）。

Word embedding也就是要达到第二个神经网络所表示的结果，降低训练所需要的数据量。
Word embedding
而上面的四个单词可以被拆成2个节点的是由我们人工提供的先验知识，所以才能够降低训练所需要的数据量。 但是我们没有办法一直人工提供，机器学习的宗旨就是让机器代替人力去发现pattern。
Word embedding就是要从数据中自动学习到Distributed representation。
训练方法
问题来了，我们该如何自动寻找到类似上面的关系，将One hot representation转变成Distributed representation。 我们事先并不明确目标是什么，所以这是一个无监督学习任务。
无监督学习中常用思想是：当得到数据后，我们又不知道目标（输出）时，
方向一：从各个输入 { }之间的关系找目标。 如聚类。
方向二：并接上以目标输出  作为新输入的另一个任务  ，同时我们知道的对应  值。用数据  训练得到  ,也就是  ，中间的表达  则是我们真正想要的目标。如生成对抗网络。
Word embedding更偏向于方向二。 同样是学习一个  ，但训练后并不使用  ，而是只取前半部分的  。
到这里，我们希望所寻找的  既有标签  ，又可以让  所转换得到的  的表达具有Distributed representation中所演示的特点。
同时我们还知道，
单词意思需要放在特定的上下文中去理解。
那么具有相同上下文的单词，往往是有联系的。
实例：那这两个单词都狗的品种名，而上下文的内容已经暗指了该单词具有可爱，会舔人的特点。
这个可爱的 泰迪 舔了我的脸。
这个可爱的 金巴 舔了我的脸。
而从上面这个例子中我们就可以找到一个  ：预测上下文。
用输入单词  作为中心单词去预测其他单词  出现在其周边的可能性。
我们既知道对应的  ，同时该任务  又可以让  所转换得到的  的表达具有Distributed representation中所演示的特点。 因为我们让相似的单词（如泰迪和金巴）得到相同的输出（上下文），那么神经网络就会将泰迪的输入和金巴的输入经过神经网络  得到的泰迪的输出和 金巴的输出几乎相同。

用输入单词作为中心单词去预测周边单词的方式叫做：Word2Vec The Skip-Gram Model。
用输入单词作为周边单词去预测中心单词的方式叫做：Continuous Bag of Words (CBOW)。


Embedding Layer其实就是lookup table，具有降维的作用。输入到网络的向量常常是非常高的维度的one-hot vector，比如8000维，只有一个index是1，其余位置都是0，非常稀疏的向量。Embedding后可以将其降到比如100维度的空间下进行运算。
同时还有额外的特点，比如：
词向量“女人”与“男人”的距离 约定于 “阿姨”与“叔叔”距离。
W(‘‘woman")−W(‘‘man") ≃ W(‘‘aunt")−W(‘‘uncle")
W(‘‘woman")−W(‘‘man") ≃ W(‘‘queen")−W(‘‘king")
更多关于词向量的内容参考http://colah.github.io/posts/2014-07-NLP-RNNs-Representations/