| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 文本分类研究现状 | 第9-12页 |
| 1.3 论文的研究内容 | 第12页 |
| 1.4 论文的结构安排 | 第12-14页 |
| 第2章 相关理论介绍 | 第14-24页 |
| 2.1 文本特征的向量表示方式 | 第14-16页 |
| 2.1.1 布尔模型 | 第14页 |
| 2.1.2 向量空间模型 | 第14-16页 |
| 2.1.3 嵌入向量模型 | 第16页 |
| 2.2 传统文本分类方法 | 第16-18页 |
| 2.2.1 朴素贝叶斯分类器 | 第16-17页 |
| 2.2.2 k近邻学习 | 第17-18页 |
| 2.2.3 支持向量机方法 | 第18页 |
| 2.3 深度学习中的文本分类方法 | 第18-23页 |
| 2.3.1 M-P神经元 | 第18-20页 |
| 2.3.2 多层感知机 | 第20页 |
| 2.3.3 循环神经网络 | 第20-21页 |
| 2.3.4 卷积神经网络 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 中文表示方法与字符级卷积神经网络 | 第24-41页 |
| 3.1 词级别表示方法 | 第24-25页 |
| 3.2 字级别表示方法 | 第25-28页 |
| 3.2.1 拼音编码方式 | 第25-26页 |
| 3.2.2 UTF-8编码方式 | 第26-27页 |
| 3.2.3 图片编码方式 | 第27页 |
| 3.2.4 随机字符嵌入向量 | 第27-28页 |
| 3.3 预训练中文字符嵌入向量 | 第28-32页 |
| 3.3.1 Skip-gram模型 | 第28-30页 |
| 3.3.2 单独学习汉字嵌入向量的预训练方式 | 第30-31页 |
| 3.3.3 共同学习汉字与词语嵌入向量的预训练方式 | 第31-32页 |
| 3.4 字符嵌入向量学习结果展示 | 第32-35页 |
| 3.5 不同字符表示方式的映射层 | 第35-36页 |
| 3.6 字符级卷积神经网络模型设计 | 第36-40页 |
| 3.7 本章小结 | 第40-41页 |
| 第4章 实验与结果分析 | 第41-47页 |
| 4.1 实验环境 | 第41页 |
| 4.2 数据集与预处理 | 第41-42页 |
| 4.3 实验结果及分析 | 第42-46页 |
| 4.3.1 实验结果 | 第42-45页 |
| 4.3.2 结果分析 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 结论 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 在学研究成果 | 第51-52页 |
| 致谢 | 第52页 |