深度特征学习在句子文本分类中的研究及应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.2.1 传统机器学习的分类方法 | 第12页 |
| 1.2.2 基于深度学习的文本表示与分类方法 | 第12-13页 |
| 1.3 本文主要工作 | 第13-14页 |
| 1.4 本文组织结构 | 第14-15页 |
| 第二章 相关概念 | 第15-25页 |
| 2.1 文本向量表示及文本分类定义 | 第15页 |
| 2.2 数据集介绍 | 第15-19页 |
| 2.2.1 情感分类数据集 | 第15-16页 |
| 2.2.2 基于主题分类的数据集 | 第16-18页 |
| 2.2.3 推特绘文字数据集 | 第18-19页 |
| 2.3 深度学习相关知识介绍 | 第19-24页 |
| 2.3.1 词向量 | 第20页 |
| 2.3.2 卷积神经网络 | 第20-22页 |
| 2.3.3 循环神经网络 | 第22-23页 |
| 2.3.4 注意力机制 | 第23页 |
| 2.3.5 梯度下降优化算法 | 第23-24页 |
| 2.4 模型评测指标 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 基于字符的词向量表征与分类模型 | 第25-37页 |
| 3.1 研究动机与本章贡献 | 第25-26页 |
| 3.2 相关工作 | 第26-27页 |
| 3.3 模型描述 | 第27-28页 |
| 3.3.1 词表征 | 第27-28页 |
| 3.3.2 分类模型 | 第28页 |
| 3.4 实验与讨论 | 第28-36页 |
| 3.4.1 数据集和评测指标 | 第28-29页 |
| 3.4.2 推特绘文字数据预处理 | 第29页 |
| 3.4.3 基准对比模型 | 第29-30页 |
| 3.4.4 实验参数设置 | 第30页 |
| 3.4.5 分类实验结果及分析 | 第30-34页 |
| 3.4.6 门机制探索对比实验 | 第34-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于多注意力机制的句子表征与分类模型 | 第37-46页 |
| 4.1 研究动机与本章贡献 | 第37页 |
| 4.2 相关工作 | 第37-38页 |
| 4.3 基于类别注意力机制的文本表示与分类模型 | 第38-41页 |
| 4.3.1 基于类别的注意力机制 | 第39-41页 |
| 4.4 实验与讨论 | 第41-45页 |
| 4.4.1 分类任务实验 | 第41-43页 |
| 4.4.2 可视化实验 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第五章 基于句子中心的句子表征优化与分类模型 | 第46-55页 |
| 5.1 研究动机与本章贡献 | 第46-47页 |
| 5.2 相关工作 | 第47-48页 |
| 5.3 文本序列编码模型 | 第48-49页 |
| 5.4 句子中心约束 | 第49-51页 |
| 5.4.1 Softmax分类损失 | 第49-50页 |
| 5.4.2 句子中心损失 | 第50-51页 |
| 5.4.3 联合损失函数 | 第51页 |
| 5.4.4 类别中心更新算法 | 第51页 |
| 5.5 实验及分析 | 第51-54页 |
| 5.5.1 基准对比模型 | 第51-52页 |
| 5.5.2 情感分类数据集及实验设置 | 第52页 |
| 5.5.3 实验结果及讨论 | 第52-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 本文工作总结 | 第55页 |
| 6.2 未来工作展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 附录一 攻读硕士学位期间发表的学术论文及学术成果 | 第63-64页 |
| 附录二 作者攻读硕士学位期间参与的科研项目 | 第64-65页 |
| 附录三 作者攻读硕士学位期间获得的竞赛奖项 | 第65-66页 |
| 致谢 | 第66页 |
