基于RBM的文本分类算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 文本分类的理论和相关算法研究 | 第16-25页 |
| 2.1 文本分类概述 | 第16页 |
| 2.2 文本分类数学定义 | 第16-17页 |
| 2.3 文本分类一般过程 | 第17-18页 |
| 2.3.1 文本预处理 | 第17-18页 |
| 2.3.2 特征项的抽取 | 第18页 |
| 2.3.3 构造分类器 | 第18页 |
| 2.3.4 分类 | 第18页 |
| 2.4 文本分类算法 | 第18-24页 |
| 2.4.1 决策树分类算法 | 第19-20页 |
| 2.4.2 朴素贝叶斯分类 | 第20-21页 |
| 2.4.3 SVM 分类算法 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 受限玻尔兹曼机理论 | 第25-33页 |
| 3.1 预备知识 | 第25页 |
| 3.1.1 sigmoid 函数 | 第25页 |
| 3.2 RBM 的网络结构 | 第25-27页 |
| 3.2.1 BM 和 RBM 的概念 | 第25-26页 |
| 3.2.2 RBM 的网络结构 | 第26-27页 |
| 3.3 RBM 的能量函数和概率分布 | 第27-29页 |
| 3.4 RBM 训练算法 | 第29-32页 |
| 3.4.1 对数似然函数训练算法 | 第29页 |
| 3.4.2 Gibbs 采样算法 | 第29页 |
| 3.4.3 对比散度算法 | 第29-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 类专属词特征选择算法 | 第33-39页 |
| 4.1 算法提出背景 | 第33页 |
| 4.2 传统的特征选择算法 | 第33-34页 |
| 4.3 类专属词的特征选择算法 | 第34-35页 |
| 4.4 类专属词特征选择算法说明 | 第35-36页 |
| 4.5 相关实验 | 第36-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第5章 基于类专属词特征选择的 RBM 分类算法 | 第39-45页 |
| 5.1 算法提出背景 | 第39页 |
| 5.2 RBM 分类算法的网络模型 | 第39页 |
| 5.3 RBM 分类算法的基本思想 | 第39-40页 |
| 5.4 RBM 分类算法的训练过程 | 第40-43页 |
| 5.5 RBM 分类算法一般过程 | 第43页 |
| 5.6 本章小结 | 第43-45页 |
| 第6章 实验结果及分析 | 第45-53页 |
| 6.1 分类的评价标准 | 第45页 |
| 6.2 实验数据集 | 第45-47页 |
| 6.3 实验结果分析 | 第47-52页 |
| 6.4 总结 | 第52-53页 |
| 第7章 总结和展望 | 第53-55页 |
| 7.1 总结 | 第53页 |
| 7.2 展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 作者简介 | 第60-61页 |
| 致谢 | 第61页 |
