基于分布式表示的文本分类与自动摘要方法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 图表示模型的文本分类研究现状 | 第10-12页 |
| 1.2.2 自动摘要研究现状 | 第12-14页 |
| 1.3 本文研究内容与结构 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 论文组织结构 | 第15-16页 |
| 2 基于概念有向图模型的文本表示方法 | 第16-27页 |
| 2.1 Word2Vec模型 | 第16-21页 |
| 2.1.1 CBOW模型 | 第17-19页 |
| 2.1.2 Skip-gram模型 | 第19-21页 |
| 2.2 词的概念聚类 | 第21-23页 |
| 2.2.1 Mikolov的语言翻译技术 | 第22页 |
| 2.2.2 伯克利的“大脑词汇地图” | 第22-23页 |
| 2.3 文本的概念有向图模型表示 | 第23-26页 |
| 2.3.1 概念有向图模型 | 第23-24页 |
| 2.3.2 文本到灰度图的映射 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 3 CNN文本分类 | 第27-46页 |
| 3.1 概述 | 第27页 |
| 3.2 卷积神经网络的结构 | 第27-32页 |
| 3.2.1 局部连接 | 第27-28页 |
| 3.2.2 权值共享 | 第28-29页 |
| 3.2.3 卷积运算 | 第29-30页 |
| 3.2.4 池化 | 第30-31页 |
| 3.2.5 全连接层 | 第31-32页 |
| 3.3 卷积神经网络的训练 | 第32-38页 |
| 3.3.1 CNN的前向传播 | 第32-33页 |
| 3.3.2 CNN后向传播 | 第33-34页 |
| 3.3.3 正则化 | 第34-37页 |
| 3.3.4 Dropout技术 | 第37-38页 |
| 3.4 基于CNN的文本分类 | 第38-45页 |
| 3.4.1 CNN架构设计 | 第38-40页 |
| 3.4.2 实验步骤与结果分析 | 第40-45页 |
| 3.5 本章小结 | 第45-46页 |
| 4 基于谱聚类的多文档摘要自动提取方法 | 第46-61页 |
| 4.1 概述 | 第46页 |
| 4.2 摘要的定义 | 第46-47页 |
| 4.3 句子的分布式表示 | 第47-49页 |
| 4.4 谱聚类划分子主题文档 | 第49-52页 |
| 4.4.1 谱聚类介绍 | 第49-51页 |
| 4.4.2 生成子主题文档 | 第51-52页 |
| 4.5 摘要生成 | 第52-54页 |
| 4.5.1 各子主题文档中建立句关系图模型 | 第52-53页 |
| 4.5.2 TextRank迭代句子权重 | 第53-54页 |
| 4.5.3 摘要句抽取与排序 | 第54页 |
| 4.6 自动摘要实验过程 | 第54-60页 |
| 4.6.1 摘要生成步骤 | 第54-56页 |
| 4.6.2 摘要质量评价 | 第56-60页 |
| 4.7 本章小结 | 第60-61页 |
| 5 总结与展望 | 第61-63页 |
| 5.1 研究总结 | 第61页 |
| 5.2 研究展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录1 攻读硕士期间的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
