基于注意力机制的文本分类研究
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 论文研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 词向量表示和文本表示 | 第10-13页 |
| 1.2.2 文本分类模型 | 第13-14页 |
| 1.2.3 注意力机制 | 第14-15页 |
| 1.3 论文的研究内容 | 第15页 |
| 1.4 论文的创新点 | 第15-16页 |
| 1.5 论文的组织结构 | 第16-18页 |
| 第二章 文本分类和注意力机制理论概述 | 第18-34页 |
| 2.1 词向量模型 | 第18-27页 |
| 2.2 基于深度学习的文本分类 | 第27-30页 |
| 2.2.1 textCNN | 第27-28页 |
| 2.2.2 textRNN | 第28-29页 |
| 2.2.3 RCNN | 第29-30页 |
| 2.3 注意力机制 | 第30-32页 |
| 2.4 深度学习框架 | 第32-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第三章 基于自注意力机制的文本分类模型 | 第34-48页 |
| 3.1 HAN模型及其优化 | 第34-36页 |
| 3.1.1 模型概况 | 第34-35页 |
| 3.1.2 细节分析 | 第35-36页 |
| 3.1.3 优化思路 | 第36页 |
| 3.2 基于自注意力机制的文本分类模型的设计 | 第36-40页 |
| 3.2.1 引入自注意力机制的意义 | 第37-38页 |
| 3.2.2 SAN模型 | 第38-40页 |
| 3.3 词向量和序列信息的研究 | 第40-41页 |
| 3.3.1 词向量 | 第40-41页 |
| 3.3.2 序列信息 | 第41页 |
| 3.4 实验与结果分析 | 第41-46页 |
| 3.4.1 实验环境 | 第41-42页 |
| 3.4.2 数据处理 | 第42页 |
| 3.4.3 模型实验 | 第42-44页 |
| 3.4.4 词向量和序列信息实验 | 第44-46页 |
| 3.5 讨论 | 第46-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第四章 基于多维自注意力机制的文本分类模型 | 第48-55页 |
| 4.1 多维自注意力机制的引入 | 第48-49页 |
| 4.1.1 多维自注意力机制的原理 | 第48-49页 |
| 4.1.2 引入多维自注意力机制的意义 | 第49页 |
| 4.2 基于多维自注意力机制的文本分类模型的设计 | 第49-52页 |
| 4.3 实验结果与分析 | 第52-53页 |
| 4.4 讨论 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 基于语义的注意力机制文本分类模型 | 第55-65页 |
| 5.1 语义信息的引入 | 第55-56页 |
| 5.1.1 Wide&Deep模型 | 第55页 |
| 5.1.2 引入语义信息的意义 | 第55-56页 |
| 5.2 基于语义的HAN模型 | 第56-57页 |
| 5.3 基于语义的SAN模型 | 第57-58页 |
| 5.4 实验结果与分析 | 第58-64页 |
| 5.4.1 数据处理 | 第58-61页 |
| 5.4.2 模型实验 | 第61-64页 |
| 5.5 讨论 | 第64页 |
| 5.6 本章小结 | 第64-65页 |
| 第六章 结论与展望 | 第65-68页 |
| 6.1 结论 | 第65-66页 |
| 6.2 未来工作 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |
