基于长短时记忆网络的多标签文本分类
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 课题背景和研究意义 | 第13-14页 |
| 1.2 相关研究概述 | 第14-17页 |
| 1.2.1 多标签分类算法 | 第14-15页 |
| 1.2.2 传统文本分类算法 | 第15-16页 |
| 1.2.3 深度学习在文本处理中的应用 | 第16-17页 |
| 1.3 本文工作概述 | 第17-18页 |
| 1.4 论文组织架构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 第2章 多标签分类与文本分类 | 第20-28页 |
| 2.1 多标签分类 | 第20-21页 |
| 2.1.1 多标签分类的定义 | 第20页 |
| 2.1.2 多标签分类的常用方法 | 第20-21页 |
| 2.2 文本分类 | 第21-26页 |
| 2.2.1 文本分类的定义 | 第21-22页 |
| 2.2.2 文本分类的特征表达 | 第22-24页 |
| 2.2.3 文本分类的分类器选择 | 第24-26页 |
| 2.3 现实中的多标签文本分类场景 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于长短时记忆网络的多标签文本分类方法 | 第28-49页 |
| 3.1 模型特点概述 | 第28-29页 |
| 3.2 词向量表达 | 第29-32页 |
| 3.2.1 词向量模型Word2vec | 第30-31页 |
| 3.2.2 文本数据预处理 | 第31页 |
| 3.2.3 词向量初始化 | 第31-32页 |
| 3.3 层次化长短时记忆网络的构建 | 第32-37页 |
| 3.3.1 人工神经网络和递归神经网络 | 第32-34页 |
| 3.3.2 长短时记忆网络 | 第34-35页 |
| 3.3.3 层次化长短时记忆网络的构建 | 第35-37页 |
| 3.4 多标签分类策略 | 第37-48页 |
| 3.4.1 基于标签置信度排序的多标签分类策略 | 第38-42页 |
| 3.4.2 基于最优路径搜索的多标签分类策略 | 第42-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第4章 实验设计与结果分析 | 第49-61页 |
| 4.1 实验数据集 | 第49-52页 |
| 4.2 实验环境 | 第52页 |
| 4.3 性能评价标准 | 第52-54页 |
| 4.4 对比实验和分析 | 第54-59页 |
| 4.4.1 多模型对比实验 | 第54-57页 |
| 4.4.2 不同最优路径定义对比实验 | 第57页 |
| 4.4.3 对标签树上每个分类器的性能分析 | 第57-58页 |
| 4.4.4 词向量训练策略对比实验 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 本文多标签分类算法应用 | 第61-65页 |
| 5.1 多标签文本分类技术的应用 | 第61页 |
| 5.2 国家973项目中的应用 | 第61-63页 |
| 5.2.1 应用场景 | 第61-62页 |
| 5.2.2 应用方式和效果 | 第62-63页 |
| 5.3 多标签文本分类Web服务的实现 | 第63-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-68页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 未来研究方向 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间主要的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
