社交媒体短文本分类方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第二章 社交媒体短文本分类方法的相关技术研究 | 第15-27页 |
| 2.1 引言 | 第15页 |
| 2.2 短文本的特征表示方法研究 | 第15-21页 |
| 2.2.1 基于TF-IDF的短文本表示方法 | 第16-17页 |
| 2.2.2 基于外部格式的短文本表示方法 | 第17-18页 |
| 2.2.3 基于word2vec的短文本表示方法 | 第18-21页 |
| 2.3 社交媒体短文本的分类方法研究 | 第21-24页 |
| 2.3.1 朴素贝叶斯 | 第21-22页 |
| 2.3.2 决策树 | 第22-23页 |
| 2.3.3 支持向量机 | 第23-24页 |
| 2.4 基于深度学习的短文本分类方法 | 第24-26页 |
| 2.4.1 TextCNN | 第25-26页 |
| 2.4.2 TextRNN | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 基于外部特征的社交媒体短文本分类方法 | 第27-40页 |
| 3.1 研究背景 | 第27-28页 |
| 3.2 社交媒体短文本外部特征的提取 | 第28-32页 |
| 3.3 基于外部特征的文本分类方法 | 第32-34页 |
| 3.3.1 基于CART的文本分类方法 | 第32-33页 |
| 3.3.2 基于随机森林的文本分类方法 | 第33-34页 |
| 3.4 实验及结果分析 | 第34-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 基于深度学习的社交媒体短文本分类方法 | 第40-58页 |
| 4.1 研究背景 | 第40页 |
| 4.2 基于CNN的社交媒体短文本分类 | 第40-45页 |
| 4.2.1 CNN的原理简介 | 第41-42页 |
| 4.2.2 CNN用于社交媒体短文本分类 | 第42-45页 |
| 4.2.3 CNN模型的优缺点 | 第45页 |
| 4.3 基于C-LSTM的社交媒体短文本分类 | 第45-52页 |
| 4.3.1 LSTM的原理简介 | 第46-49页 |
| 4.3.2 C-LSTM用于社交媒体短文本分类 | 第49-52页 |
| 4.4 实验及结果分析 | 第52-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 工作的不足与展望 | 第59-60页 |
| 致谢 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 攻读硕士学位期间取得的研究成果 | 第64页 |
