基于向量空间模型的文本内容筛查方法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文主要工作 | 第14-15页 |
| 1.4 本论文的结构安排 | 第15-17页 |
| 第二章 基于文本向量和BP神经网络的筛查方法 | 第17-40页 |
| 2.1 基于BP神经网络的文本筛查模型搭建 | 第17-22页 |
| 2.1.1 神经网络模型 | 第17-20页 |
| 2.1.2 实验数据获取及标定 | 第20-21页 |
| 2.1.3 文本筛查模型搭建 | 第21-22页 |
| 2.2 基于词频的文本向量化方法 | 第22-32页 |
| 2.2.1 传统向量空间模型 | 第22-23页 |
| 2.2.2 TF-IDF向量空间模型 | 第23-24页 |
| 2.2.3 TF-IDF应用于文本向量化 | 第24-25页 |
| 2.2.4 基于PCA的文本向量降维 | 第25-30页 |
| 2.2.5 基于文本词频向量的实验及分析 | 第30-32页 |
| 2.3 基于语义的文本向量化方法 | 第32-37页 |
| 2.3.1 基于word2vec的词语向量化 | 第32-33页 |
| 2.3.2 基于doc2vec的文本向量化 | 第33-34页 |
| 2.3.3 基于文本语义向量的实验及分析 | 第34-37页 |
| 2.4 综合词频向量及语义向量构建模型 | 第37-38页 |
| 2.5 本章小结 | 第38-40页 |
| 第三章 基于价值度扩展文本向量的筛查方法 | 第40-50页 |
| 3.1 文本相似度度量方法研究 | 第40-43页 |
| 3.1.1 文本结构编码构建 | 第40-41页 |
| 3.1.2 基于结构编码计算文本相似度 | 第41-42页 |
| 3.1.3 基于简单词频计算文本相似度 | 第42-43页 |
| 3.1.4 计算综合相似度 | 第43页 |
| 3.2 基于情感词典的文本情感分析 | 第43-46页 |
| 3.2.1 情感词词典构建 | 第44页 |
| 3.2.2 否定词词典构建 | 第44-45页 |
| 3.2.3 程度副词词典构建 | 第45页 |
| 3.2.4 情感倾向性计算 | 第45-46页 |
| 3.3 基于相似度及情感计算文本价值度 | 第46-47页 |
| 3.4 基于文本价值度改进模型及实验 | 第47-49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于词向量和LSTM的筛查方法 | 第50-69页 |
| 4.1 基于LSTM模型的文本筛查方法研究 | 第50-55页 |
| 4.1.1 循环神经网络模型 | 第50-51页 |
| 4.1.2 RNN的梯度消失与梯度爆炸问题 | 第51-52页 |
| 4.1.3 LSTM模型 | 第52-54页 |
| 4.1.4 基于LSTM模型文本筛查实验 | 第54-55页 |
| 4.2 结合DAN改进LSTM模型 | 第55-61页 |
| 4.2.1 DAN模型 | 第55-56页 |
| 4.2.2 结合Dropout方法提高模型鲁棒性 | 第56-58页 |
| 4.2.3 LSTM&DAN模型构建 | 第58-59页 |
| 4.2.4 实验结果及分析 | 第59-61页 |
| 4.3 结合卷积神经网络改进LSTM模型 | 第61-68页 |
| 4.3.1 卷积神经网络 | 第61-65页 |
| 4.3.2 LSTM&CNN模型构建 | 第65-66页 |
| 4.3.3 实验结果及分析 | 第66-68页 |
| 4.4 模型比较 | 第68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的成果 | 第76页 |
