基于卷积神经网络的互联网短文分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 文本分类研究背景及意义 | 第9-10页 |
| 1.2 文本分类的研究现状 | 第10-12页 |
| 1.3 互联网短文的特点 | 第12-13页 |
| 1.4 本文主要工作及结构安排 | 第13-15页 |
| 第二章 文本分类的相关理论与技术 | 第15-26页 |
| 2.1 深度学习 | 第15-19页 |
| 2.1.1 深度置信网络 | 第15-16页 |
| 2.1.2 自动编码器 | 第16-17页 |
| 2.1.3 卷积神经网络 | 第17-19页 |
| 2.2 文本表示 | 第19-22页 |
| 2.2.1 One-hot | 第19页 |
| 2.2.2 TF-IDF | 第19-20页 |
| 2.2.3 x~2统计量 | 第20-21页 |
| 2.2.4 Word2vec | 第21-22页 |
| 2.3 文本分类算法 | 第22-25页 |
| 2.3.1 KNN | 第22-23页 |
| 2.3.2 支持向量机 | 第23页 |
| 2.3.3 朴素贝叶斯 | 第23-24页 |
| 2.3.4 决策树 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于卷积神经网络的互联网短文分类方法 | 第26-37页 |
| 3.1 算法思想及流程 | 第26-27页 |
| 3.2 分词 | 第27-29页 |
| 3.3 去噪声 | 第29-30页 |
| 3.4 文本向量化处理 | 第30-31页 |
| 3.5 文本特征的卷积 | 第31-33页 |
| 3.6 特征的池化抽样 | 第33-35页 |
| 3.7 文本的分类识别 | 第35-36页 |
| 3.8 本章小结 | 第36-37页 |
| 第四章 实验及结果分析 | 第37-47页 |
| 4.1 实验环境 | 第37页 |
| 4.2 实验数据以及分类体系 | 第37-38页 |
| 4.3 文本分类评价标准 | 第38-39页 |
| 4.4 不同特征不同参数的卷积神经网络分类实验 | 第39-42页 |
| 4.4.1 实验结果 | 第40-42页 |
| 4.4.2 结果分析 | 第42页 |
| 4.5 对比其他方法的文本一级分类实验 | 第42-44页 |
| 4.5.1 实验结果 | 第42-43页 |
| 4.5.2 结果分析 | 第43-44页 |
| 4.6 对比其他方法的文本二级分类实验 | 第44-46页 |
| 4.6.1 实验结果 | 第44-45页 |
| 4.6.2 结果分析 | 第45-46页 |
| 4.7 本章小结 | 第46-47页 |
| 第五章 总结与展望 | 第47-49页 |
| 5.1 论文总结 | 第47页 |
| 5.2 展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 附录：攻读学位期间发表的学术论文及参与项目 | 第53-54页 |
| 致谢 | 第54页 |
