| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9页 |
| 1.1.2 研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 研究内容与文章结构 | 第11-13页 |
| 第2章 文本分类的理论和方法 | 第13-23页 |
| 2.0 文本挖掘简介 | 第13页 |
| 2.1 常用分类方法介绍 | 第13-19页 |
| 2.1.1 Latent Semantic indexing(潜在语义索引) | 第14-16页 |
| 2.1.2 Support Vector Machines(可支持向量机) | 第16-19页 |
| 2.2 瓶颈与缺陷分析 | 第19-21页 |
| 2.2.1 基于统计模型的分类方法缺陷分析 | 第20页 |
| 2.2.2 实际应用中的瓶颈 | 第20-21页 |
| 2.3 改进方案与思路 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 故障日志文本建模方法 | 第23-34页 |
| 3.1 故障日志的特点 | 第23-24页 |
| 3.2 基于字的特征表示 | 第24-27页 |
| 3.2.1 基于矢量的字符特征表示 | 第26页 |
| 3.2.2 基于聚类的字符特征表示 | 第26-27页 |
| 3.3 基于词的特征表示 | 第27-31页 |
| 3.3.1 One-hot方法文本建模 | 第27-28页 |
| 3.3.2 word2vec方法文本建模 | 第28-30页 |
| 3.3.3 Glove方法文本建模 | 第30-31页 |
| 3.4 混合多模型的特征表示 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 短文本分类模型研究 | 第34-51页 |
| 4.1 短文本分类模型 | 第34-41页 |
| 4.1.1 基于RNN的短文本分类存在的问题 | 第36-40页 |
| 4.1.2 基于LSTM的短文本分类 | 第40-41页 |
| 4.2 输入输出的映射方法 | 第41-42页 |
| 4.3 模型训练参数调整 | 第42-45页 |
| 4.4 模型权重系数更新 | 第45-50页 |
| 4.4.1 通过LSTM的反向传播 | 第48-49页 |
| 4.4.2 多通道训练与优化 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 分类实验与结果分析 | 第51-57页 |
| 5.1 实验语料与标注集 | 第51页 |
| 5.2 测试方法与评测指标 | 第51-52页 |
| 5.3 不同方法下的性能对比 | 第52-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第6章 面向故障日志的短文本分类系统实现 | 第57-63页 |
| 6.1 系统整体框架设计 | 第57-59页 |
| 6.2 增量学习方法 | 第59-60页 |
| 6.3 系统优化 | 第60-61页 |
| 6.3.1 多样本向量化 | 第60-61页 |
| 6.3.2 激活函数的近似计算 | 第61页 |
| 6.4 本章小结 | 第61-63页 |
| 第7章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70页 |