基于深度学习理论和SVM技术的文本分类研究与实现
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究的工作 | 第15页 |
| 1.4 本文组织结构 | 第15-18页 |
| 第2章 文本分类相关技术概述 | 第18-30页 |
| 2.1 文本分类概述 | 第18-19页 |
| 2.2 文本预处理 | 第19-20页 |
| 2.2.1 英文分词技术 | 第19页 |
| 2.2.2 中文分词技术 | 第19-20页 |
| 2.3 文本的表示 | 第20-22页 |
| 2.4 特征选择 | 第22-24页 |
| 2.5 文本分类算法 | 第24-28页 |
| 2.5.1 贝叶斯分类 | 第24-25页 |
| 2.5.2 KNN算法分类 | 第25-26页 |
| 2.5.3 支持向量机 | 第26-28页 |
| 2.6 本章小结 | 第28-30页 |
| 第3章 深度学习在文本分类中的关键技术应用 | 第30-44页 |
| 3.1 深度学习概述 | 第30-33页 |
| 3.1.1 深度学习基本思想 | 第31-32页 |
| 3.1.2 深度学习训练过程 | 第32-33页 |
| 3.2 深度学习的常用模型 | 第33-37页 |
| 3.2.1 自动编码器 | 第33-34页 |
| 3.2.2 卷积神经网络 | 第34-35页 |
| 3.2.3 受限玻尔兹曼机 | 第35-37页 |
| 3.3 稀疏自编码对文本训练 | 第37-39页 |
| 3.4 深度信念网络参数调优 | 第39-41页 |
| 3.5 本章小结 | 第41-44页 |
| 第4章 深度学习理论和SVM组合方法设计 | 第44-56页 |
| 4.1 深度学习与SVM组合方法设计 | 第44-46页 |
| 4.2 文本分类过程 | 第46-54页 |
| 4.2.1 文本预处理 | 第47-49页 |
| 4.2.2 特征学习模块 | 第49-52页 |
| 4.2.3 分类识别模块 | 第52-54页 |
| 4.3 本章小结 | 第54-56页 |
| 第5章 文本分类实验结果及分析 | 第56-66页 |
| 5.1 分类评估标准 | 第56页 |
| 5.2 实验数据集 | 第56-57页 |
| 5.3 实验环境 | 第57页 |
| 5.4 英文实验和中文实验 | 第57-65页 |
| 5.4.1 英文文本实验 | 第57-62页 |
| 5.4.2 中文文本实验 | 第62-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 研究工作总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士期间发表的学术论文 | 第72-74页 |
| 致谢 | 第74-75页 |
| 大摘要 | 第75-79页 |
