| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 研究现状综述 | 第10-14页 |
| 1.2.1 基于问题转化的方法 | 第11页 |
| 1.2.2 基于算法适应的方法 | 第11-13页 |
| 1.2.3 基于深度学习的方法 | 第13-14页 |
| 1.3 问题的总结与分析 | 第14-15页 |
| 1.4 本文主要工作 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第2章 多类标文本分类的相关基础知识 | 第17-28页 |
| 2.1 文本处理相关理论 | 第17-19页 |
| 2.1.1 文本预处理 | 第17页 |
| 2.1.2 文本表示方法 | 第17-19页 |
| 2.2 多类标分类相关理论 | 第19-25页 |
| 2.2.1 多类标分类的定义 | 第19页 |
| 2.2.2 多类标数据集的度量 | 第19-20页 |
| 2.2.3 多类标分类算法评价指标 | 第20-25页 |
| 2.3 自编码器 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于自编码器的文本特征提取算法 | 第28-43页 |
| 3.1 引言 | 第28-29页 |
| 3.2 自编码器整体框架 | 第29-30页 |
| 3.3 基于自编码器的特征提取算法 | 第30-34页 |
| 3.3.1 算法基本思想 | 第30-32页 |
| 3.3.2 公式推导 | 第32-34页 |
| 3.4 实验设计与分析 | 第34-42页 |
| 3.4.1 实验环境 | 第34-35页 |
| 3.4.2 实验数据集 | 第35页 |
| 3.4.3 评价指标 | 第35页 |
| 3.4.4 对比算法的选取及参数设置 | 第35-39页 |
| 3.4.5 实验结果与分析 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于类标依赖性的多类标分类算法 | 第43-55页 |
| 4.1 引言 | 第43页 |
| 4.2 传统类标依赖性建模方案 | 第43-46页 |
| 4.3 基于类标依赖性的多类标分类算法 | 第46-51页 |
| 4.3.1 ML-LSTM整体架构 | 第46-47页 |
| 4.3.2 data-labelembedding序列化方法 | 第47-50页 |
| 4.3.3 ML-LSTM算法流程 | 第50-51页 |
| 4.4 实验设计与分析 | 第51-54页 |
| 4.4.1 实验环境及评价指标 | 第51页 |
| 4.4.2 对比算法的选取及参数设置 | 第51-52页 |
| 4.4.3 实验结果与分析 | 第52-54页 |
| 4.5 本章小节 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61页 |