| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 分词研究现状 | 第14-15页 |
| 1.2.2 领域词库研究现状 | 第15-16页 |
| 1.2.3 文本分类研究现状 | 第16页 |
| 1.3 论文结构 | 第16-18页 |
| 第2章 相关理论及技术 | 第18-26页 |
| 2.1 中文分词方法 | 第18-22页 |
| 2.1.1 基于词典的分词 | 第18-19页 |
| 2.1.2 基于统计的分词 | 第19-20页 |
| 2.1.3 基于Thulac的分词 | 第20-21页 |
| 2.1.4 Jieba分词 | 第21-22页 |
| 2.2 文本分类技术 | 第22-24页 |
| 2.2.1 特征选择与特征抽取 | 第22-23页 |
| 2.2.2 分类技术 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第3章 基于卷积神经网络的TF-IDF算法 | 第26-34页 |
| 3.1 传统的TF-IDF算法 | 第26-27页 |
| 3.2 改进的TF-IDF算法 | 第27-29页 |
| 3.2.1 词性标注 | 第27-28页 |
| 3.2.2 逆向文档频率的改进 | 第28-29页 |
| 3.3 卷积神经网络与改进的TF-IDF算法结合 | 第29-33页 |
| 3.3.1 卷积神经网络模型 | 第29-31页 |
| 3.3.2 卷积神经网络与改进后的TF-IDF算法结合 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 新闻提取技术的实现 | 第34-39页 |
| 4.1 领域词库的构建 | 第34-35页 |
| 4.2 短文本相似度计算 | 第35-36页 |
| 4.3 新闻提取系统架构 | 第36-37页 |
| 4.4 本章小结 | 第37-39页 |
| 第5章 实验结果与分析 | 第39-46页 |
| 5.1 实验环境 | 第39-40页 |
| 5.1.1 实验数据来源 | 第39页 |
| 5.1.2 数据训练 | 第39-40页 |
| 5.2 实验结果与分析 | 第40-45页 |
| 5.2.1 效果展示 | 第41-43页 |
| 5.2.2 结果分析 | 第43-45页 |
| 5.3 本章小结 | 第45-46页 |
| 结束语 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 研究生期间主要成果 | 第50-51页 |
| 致谢 | 第51页 |