基于CNN的汉语解释性意见句识别方法研究与实现
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第8-15页 |
| 1.1 研究目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 解释性意见句识别研究现状 | 第9-11页 |
| 1.2.2 CNN研究现状 | 第11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 1.4 本文的组织安排 | 第13-15页 |
| 第2章 解释性意见句语料库构建 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 文本预处理 | 第15-19页 |
| 2.2.1 文字处理 | 第15-18页 |
| 2.2.2 分词 | 第18-19页 |
| 2.3 解释性意见句定义 | 第19-20页 |
| 2.4 解释性意见句语料标注规范 | 第20-24页 |
| 2.4.1 语料标注规则 | 第20-21页 |
| 2.4.2 不同情况下的标注方法 | 第21-24页 |
| 2.5 语料库构建过程 | 第24页 |
| 2.5.1 意见句来源 | 第24页 |
| 2.5.2 标注方式 | 第24页 |
| 2.6 解释性意见句语料统计分析 | 第24-28页 |
| 2.6.1 解释性意见句语料库数据统计 | 第24-25页 |
| 2.6.2 分析标注一致性 | 第25页 |
| 2.6.3 手机领域的意见句特点 | 第25-26页 |
| 2.6.4 酒店领域的意见句特点 | 第26-27页 |
| 2.6.5 不同领域的语料对比 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第3章 基于CNN的解释性意见句识别的方法设计 | 第29-44页 |
| 3.1 任务描述 | 第29页 |
| 3.2 卷积神经网络原理 | 第29-32页 |
| 3.3 卷积神经网络框架 | 第32-43页 |
| 3.3.1 输入层 | 第34-35页 |
| 3.3.2 卷积层 | 第35-36页 |
| 3.3.3 激活函数层 | 第36-39页 |
| 3.3.4 池化层 | 第39-41页 |
| 3.3.5 softmax层 | 第41-42页 |
| 3.3.6 梯度下降 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第4章 解释性意见句识别系统的实现与测试 | 第44-68页 |
| 4.1 CNN框架实现 | 第44-46页 |
| 4.1.1 输入层数据结构设置 | 第44页 |
| 4.1.2 输入层实现过程 | 第44-45页 |
| 4.1.3 卷积层数据结构设置 | 第45页 |
| 4.1.4 卷积层实现过程 | 第45页 |
| 4.1.5 池化层数据结构设置 | 第45-46页 |
| 4.1.6 池化层实现过程 | 第46页 |
| 4.2 基线系统 | 第46-51页 |
| 4.2.1 最大熵原理 | 第47-49页 |
| 4.2.2 最大熵框架 | 第49-50页 |
| 4.2.3 特征选择 | 第50-51页 |
| 4.3 系统界面 | 第51-52页 |
| 4.4 实验设置 | 第52-54页 |
| 4.4.1 实验数据 | 第52-53页 |
| 4.4.2 测试指标 | 第53-54页 |
| 4.5 CNN分类影响因素 | 第54-65页 |
| 4.5.1 不同窗口大小对实验结果的影响 | 第54-56页 |
| 4.5.2 词向量模型参数设置 | 第56-60页 |
| 4.5.3 不同隐层维度对实验结果的影响 | 第60页 |
| 4.5.4 不同激活函数对实验结果的影响 | 第60-62页 |
| 4.5.5 不同池化方法对实验结果的影响 | 第62-63页 |
| 4.5.6 融合稀疏特征对实验结果的影响 | 第63-64页 |
| 4.5.7 不同领域的语料对实验结果的影响 | 第64-65页 |
| 4.6 对比实验结果 | 第65-66页 |
| 4.6.1 最大熵实验结果 | 第65页 |
| 4.6.2 最大熵与卷积神经网络实验结果对比 | 第65-66页 |
| 4.7 本章小结 | 第66-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士学位期间发表的学术论文及参加的科研项目 | 第76-77页 |
