| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的及意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-14页 |
| 1.3.1 文本预处理 | 第9-12页 |
| 1.3.2 文本表示 | 第12页 |
| 1.3.3 文本分类算法 | 第12-13页 |
| 1.3.4 基于深度学习的语义分析 | 第13-14页 |
| 1.4 内容结构安排 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 文本分析基础 | 第15-23页 |
| 2.1 文本预处理 | 第15-18页 |
| 2.1.1 TF-IDF算法 | 第15-16页 |
| 2.1.2 Doc2vec文本向量化 | 第16-18页 |
| 2.2 文本分类算法 | 第18-20页 |
| 2.2.1 朴素贝叶斯 | 第18-19页 |
| 2.2.2 k近邻算法 | 第19页 |
| 2.2.3 支持向量机 | 第19-20页 |
| 2.3 深度学习网络 | 第20-22页 |
| 2.3.1 卷积神经网络 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 改进型文本预处理方法 | 第23-29页 |
| 3.1 文本分词 | 第23-25页 |
| 3.1.1 最大匹配法 | 第23-24页 |
| 3.1.2 隐马尔可夫模型 | 第24-25页 |
| 3.2 改进型分词方法 | 第25-26页 |
| 3.3 数值实验与分析 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 文本向量化及改进型分类算法 | 第29-38页 |
| 4.1 文本向量化算法简述 | 第29页 |
| 4.2 改进型文本向量化算法 | 第29-32页 |
| 4.3 改进型k近邻算法 | 第32-33页 |
| 4.4 改进的文本向量化及分类算法 | 第33-34页 |
| 4.5 数值实验 | 第34-36页 |
| 4.6 本章小结 | 第36-38页 |
| 第五章 基于深度学习网络的文本分析 | 第38-48页 |
| 5.1 基于深度学习的文本分析简述 | 第38-39页 |
| 5.2 基于主题词的TextRNN循环神经网络文本分析 | 第39-42页 |
| 5.3 基于主题词的卷积神经网络文本表示与分类算法 | 第42-45页 |
| 5.4 数值实验与结果分析 | 第45-47页 |
| 5.5 本章小结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 工作总结 | 第48页 |
| 6.2 进一步的工作 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录：攻读硕士学位期间的研究成果 | 第55-56页 |