| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 短文本分类研究现状 | 第11-12页 |
| 1.2.2 词向量研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织形式 | 第14-16页 |
| 第2章 相关技术与理论基础 | 第16-25页 |
| 2.1 文本预处理 | 第16-17页 |
| 2.2 文本表示模型 | 第17-19页 |
| 2.2.1 布尔模型 | 第17页 |
| 2.2.2 空间向量模型 | 第17-18页 |
| 2.2.3 LDA主题模型 | 第18-19页 |
| 2.3 词向量模型 | 第19-23页 |
| 2.3.1 One-hot Representation方式 | 第19-20页 |
| 2.3.2 Distributed representation方式 | 第20页 |
| 2.3.3 Word2vec模型训练词向量 | 第20-23页 |
| 2.4 文本分类算法 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 改进的基于词向量的短文本分类方法 | 第25-36页 |
| 3.1 问题提出 | 第25-26页 |
| 3.2 改进的Skip-Gram模型训练主题-词向量 | 第26-34页 |
| 3.2.1 主题-词向量的引入 | 第26-28页 |
| 3.2.2 Skip-Gram模型的训练过程及其不足 | 第28-30页 |
| 3.2.3 基于Topic-SG模型的主题-词向量训练过程 | 第30-33页 |
| 3.2.4 复杂度分析 | 第33-34页 |
| 3.3 基于主题-词向量的短文本分类 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 实验结果与分析 | 第36-48页 |
| 4.1 实验环境与数据集 | 第36-38页 |
| 4.1.1 实验环境 | 第36页 |
| 4.1.2 实验数据集 | 第36-37页 |
| 4.1.3 数据预处理 | 第37-38页 |
| 4.2 多义词的主题-词向量实验 | 第38-40页 |
| 4.3 短文本分类实验 | 第40-45页 |
| 4.3.1 文本分类评估指标 | 第40-41页 |
| 4.3.2 参数设定 | 第41页 |
| 4.3.3 短文本分类对比实验 | 第41-45页 |
| 4.4 关于Topic-SG模型参数敏感度实验 | 第45-46页 |
| 4.4.1 向量维度的影响 | 第45-46页 |
| 4.4.2 融合因子的影响 | 第46页 |
| 4.5 本章小结 | 第46-48页 |
| 第5章 总结和展望 | 第48-50页 |
| 5.1 本文工作总结 | 第48-49页 |
| 5.2 存在的不足与未来研究的展望 | 第49-50页 |
| 参考文献 | 第50-54页 |
| 附录 攻读硕士学位期间的研究成果 | 第54-55页 |
| 致谢 | 第55页 |
