基于深度学习的评价对象抽取
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 本论文专用术语的注释表 | 第11-12页 |
| 第一章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.1.1 评价对象抽取 | 第12-13页 |
| 1.1.2 深度学习的优势 | 第13-14页 |
| 1.2 研究内容 | 第14-15页 |
| 1.3 论文组织 | 第15-16页 |
| 第二章 相关研究 | 第16-24页 |
| 2.1 相关概念定义 | 第16-17页 |
| 2.2 无监督的评价对象抽取研究现状 | 第17-18页 |
| 2.2.1 主题模型 | 第17页 |
| 2.2.2 基于句法规则的模型 | 第17-18页 |
| 2.3 有监督的评价对象抽取研究现状 | 第18-19页 |
| 2.3.1 浅层模型 | 第18-19页 |
| 2.3.2 深层模型 | 第19页 |
| 2.4 深度学习研究现状 | 第19-22页 |
| 2.4.1 词向量 | 第20页 |
| 2.4.2 深层神经网络 | 第20-22页 |
| 2.5 本章小结 | 第22-24页 |
| 第三章 预备知识 | 第24-34页 |
| 3.1 GloVe词向量 | 第24-25页 |
| 3.2 自动编码器 | 第25-26页 |
| 3.3 堆叠自动编码器 | 第26-27页 |
| 3.4 防止模型过拟合方法 | 第27-30页 |
| 3.4.1 L2权重惩罚 | 第27页 |
| 3.4.2 稀疏自动编码器 | 第27-28页 |
| 3.4.3 降噪自动编码器 | 第28-30页 |
| 3.4.4 Dropout方法 | 第30页 |
| 3.5 Softmax回归模型 | 第30-31页 |
| 3.6 本章小结 | 第31-34页 |
| 第四章 基于堆叠自动编码器的评价对象抽取模型 | 第34-48页 |
| 4.1 模型介绍 | 第34-36页 |
| 4.2 模型训练 | 第36-42页 |
| 4.2.1 无监督的逐层预训练 | 第36-41页 |
| 4.2.2 有监督的参数调优 | 第41页 |
| 4.2.3 小批量梯度下降法 | 第41-42页 |
| 4.3 标记系统设计 | 第42页 |
| 4.4 基于贪婪算法的模型改进 | 第42-46页 |
| 4.5 本章小结 | 第46-48页 |
| 第五章 实验与分析 | 第48-58页 |
| 5.1 实验数据 | 第48-50页 |
| 5.1.1 数据分析 | 第49-50页 |
| 5.1.2 数据预处理 | 第50页 |
| 5.2 评价标准 | 第50-51页 |
| 5.3 实验设置 | 第51-53页 |
| 5.3.1 基准实验设置 | 第51-52页 |
| 5.3.2 对比实验设置 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-57页 |
| 5.4.1 隐藏层数对比实验 | 第53页 |
| 5.4.2 贪婪算法对比实验 | 第53-54页 |
| 5.4.3 防止模型过拟合方法对比实验 | 第54-55页 |
| 5.4.4 词向量文本窗口对比实验 | 第55-56页 |
| 5.4.5 组合实验 | 第56-57页 |
| 5.5 本章小结 | 第57-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 未来展望 | 第58-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-65页 |
