| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 缩略词表 | 第11-12页 |
| 1 引言 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 词、句表示研究现状 | 第13-15页 |
| 1.2.2 文本分类研究现状 | 第15-17页 |
| 1.2.3 迁移学习研究现状 | 第17-18页 |
| 1.3 本论文的主要研究内容 | 第18页 |
| 1.4 本论文的主要贡献 | 第18-19页 |
| 1.5 本论文的组织结构 | 第19-20页 |
| 2 技术背景 | 第20-35页 |
| 2.1 词表示方法 | 第20-22页 |
| 2.1.1 基于神经网络的词表示 | 第20-22页 |
| 2.2 机器学习 | 第22-27页 |
| 2.2.1 机器学习中的分类问题 | 第23页 |
| 2.2.2 分类问题性能评价标准 | 第23-24页 |
| 2.2.3 预处理与特征工程 | 第24-25页 |
| 2.2.4 逻辑回归算法 | 第25-26页 |
| 2.2.5 k近邻算法 | 第26-27页 |
| 2.3 深度学习 | 第27-33页 |
| 2.3.0 前馈神经网络 | 第27-28页 |
| 2.3.1 卷积神经网络(CNN) | 第28-30页 |
| 2.3.2 循环神经网络(RNN) | 第30-32页 |
| 2.3.3 自编码器(AutoEncoder) | 第32-33页 |
| 2.4 开发平台 | 第33-34页 |
| 2.4.1 Scikit-Learn库 | 第33页 |
| 2.4.2 Tensorflow与Keras开源软件库 | 第33-34页 |
| 2.5 本章小结 | 第34-35页 |
| 3 词向量无监督二次优化研究 | 第35-47页 |
| 3.1 研究问题阐述 | 第35-36页 |
| 3.2 数据集 | 第36-37页 |
| 3.2.1 数据集介绍 | 第36-37页 |
| 3.2.2 数据集预处理 | 第37页 |
| 3.3 word2vec词向量训练 | 第37-40页 |
| 3.3.1 词向量训练方法 | 第38页 |
| 3.3.2 训练设置及结果分析 | 第38-40页 |
| 3.4 词向量二次训练优化方法 | 第40-46页 |
| 3.4.1 词向量无监督优化模型 | 第41-43页 |
| 3.4.2 评价指标 | 第43-44页 |
| 3.4.3 自编码二次训练效果分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 4 结合中文字形的词向量扩展研究 | 第47-60页 |
| 4.1 问题描述 | 第47-49页 |
| 4.2 中文字词特性分析 | 第49-50页 |
| 4.3 数据集介绍及预处理 | 第50-52页 |
| 4.3.1 数据集及问题介绍 | 第50-51页 |
| 4.3.2 数据集处理 | 第51-52页 |
| 4.4 字形特征提取 | 第52-55页 |
| 4.4.1 字形结构特征 | 第52-54页 |
| 4.4.2 词向量特征扩展 | 第54-55页 |
| 4.5 字形特征在文本分类中的应用 | 第55-59页 |
| 4.5.1 文本分类模型 | 第55-56页 |
| 4.5.2 Add方式分类实验 | 第56-57页 |
| 4.5.3 kNN方式分类实验 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 5 总结及展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60-61页 |
| 5.1.1 无监督二次训练研究 | 第60页 |
| 5.1.2 中文字形特征研究 | 第60-61页 |
| 5.2 未来工作展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第65-67页 |
| 学位论文数据集 | 第67-68页 |