面向文本分类任务的主题强化词句嵌入模型研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 论文研究内容及主要成果 | 第9页 |
| 1.3 论文的组织结构 | 第9-11页 |
| 第二章 神经语言模型和词句嵌入模型 | 第11-28页 |
| 2.1 神经语言模型 | 第11-20页 |
| 2.1.1 传统的神经语言模型 | 第11-13页 |
| 2.1.2 基于能量函数的神经语言模型 | 第13-18页 |
| 2.1.3 基于循环神经网络的语言模型 | 第18-20页 |
| 2.2 词嵌入模型 | 第20-26页 |
| 2.2.1 自然语言处理中的统一词嵌入模型 | 第20-21页 |
| 2.2.2 全局上下文敏感的词嵌入模型 | 第21-23页 |
| 2.2.3 单层网络的词嵌入模型 | 第23-26页 |
| 2.3 词句嵌入模型 | 第26-28页 |
| 第三章 词句嵌入模型的主题强化 | 第28-36页 |
| 3.1 长程上下文的引入 | 第28-29页 |
| 3.2 高阶纯依赖建模非歧义主题 | 第29-34页 |
| 3.2.1 高阶纯依赖谱系 | 第29-32页 |
| 3.2.2 Theta坐标纯依赖 | 第32-33页 |
| 3.2.3 主题建模 | 第33-34页 |
| 3.3 基于高阶纯依赖的词句嵌入模型 | 第34-36页 |
| 3.3.1 模型结构 | 第34-36页 |
| 第四章 标准数据集上的实验验证 | 第36-43页 |
| 4.1 文本分类任务 | 第36-40页 |
| 4.1.1 电影评论数据上的情感分析 | 第37-38页 |
| 4.1.2 新闻语料上的主题发现 | 第38-40页 |
| 4.2 单词分布式向量的评估 | 第40-43页 |
| 4.2.1 定性评估分析 | 第41-42页 |
| 4.2.2 定量评估分析 | 第42-43页 |
| 第五章 中文新闻语料上的项目设计 | 第43-51页 |
| 5.1 项目需求 | 第43页 |
| 5.2 项目步骤 | 第43-45页 |
| 5.3 特征向量设计 | 第45-46页 |
| 5.3.1 关键词词袋模型特征 | 第45页 |
| 5.3.2 LDA主题模型特征 | 第45-46页 |
| 5.3.3 文章分布式嵌入表示特征 | 第46页 |
| 5.4 分类模型设计 | 第46-47页 |
| 5.5 项目结果分析 | 第47-49页 |
| 5.5.1 倾斜样本 | 第47-48页 |
| 5.5.2 平衡样本 | 第48-49页 |
| 5.6 本章小结 | 第49-51页 |
| 第六章 总结与展望 | 第51-53页 |
| 6.1 全文总结 | 第51-52页 |
| 6.2 未来展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 发表论文和参加科研情况说明 | 第57-58页 |
| 致谢 | 第58-59页 |
