基于深度学习的多场景短文本分类的研究与应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究工作的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文的主要研究内容及组织结构 | 第14-15页 |
| 第二章 文本分类相关技术 | 第15-36页 |
| 2.1 文本分类概述 | 第15页 |
| 2.2 传统文本分类相关技术 | 第15-20页 |
| 2.2.1 文本预处理 | 第15-16页 |
| 2.2.2 文本特征选择 | 第16-18页 |
| 2.2.3 分类算法 | 第18-20页 |
| 2.3 深度学习文本分类相关技术 | 第20-35页 |
| 2.3.1 词分布表示 | 第20-21页 |
| 2.3.2 语言模型简介 | 第21-22页 |
| 2.3.3 神经网络词向量表示技术 | 第22-25页 |
| 2.3.4 多层感知器 | 第25-27页 |
| 2.3.5 循环神经网络 | 第27-31页 |
| 2.3.6 卷积神经网络 | 第31-32页 |
| 2.3.7 AttentionModel | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 多场景短文本分类 | 第36-56页 |
| 3.1 多场景介绍 | 第36页 |
| 3.2 数据介绍及处理 | 第36-42页 |
| 3.2.1 数据介绍 | 第36-37页 |
| 3.2.2 数据抓取与预处理 | 第37-41页 |
| 3.2.3 中文分词 | 第41-42页 |
| 3.3 词向量 | 第42-45页 |
| 3.3.1 词向量模型的理论比较 | 第42-43页 |
| 3.3.2 词向量训练 | 第43-44页 |
| 3.3.3 字符及未登录词 | 第44页 |
| 3.3.4 词向量评估 | 第44-45页 |
| 3.4 fastText | 第45-46页 |
| 3.4.1 fastText模型结构 | 第45-46页 |
| 3.4.2 N-gram特征 | 第46页 |
| 3.4.3 fastText优势 | 第46页 |
| 3.5 CNN/RNN文本分类模型 | 第46-49页 |
| 3.5.1 CNN-Text分类模型 | 第46-48页 |
| 3.5.2 RNN-Text分类模型 | 第48-49页 |
| 3.5.3 R-CNN分类模型 | 第49页 |
| 3.6 RNN-Attention | 第49-51页 |
| 3.6.1 WordEncoder | 第50页 |
| 3.6.2 WordAttention | 第50-51页 |
| 3.7 非平衡数据集优化 | 第51-53页 |
| 3.8 降低过拟合 | 第53-55页 |
| 3.8.1 L2正则化项 | 第53-54页 |
| 3.8.2 Dropout | 第54-55页 |
| 3.9 本章小结 | 第55-56页 |
| 第四章 实验结果及分析 | 第56-73页 |
| 4.1 数据集及评价方法 | 第56-59页 |
| 4.1.1 分类器评价方法 | 第56-57页 |
| 4.1.2 词向量评价方法 | 第57-58页 |
| 4.1.3 实验环境及测试数据 | 第58-59页 |
| 4.1.3.1 实验环境 | 第58页 |
| 4.1.3.2 测试数据 | 第58-59页 |
| 4.2 文本分类实验结果及分析 | 第59-66页 |
| 4.2.1 文本分类实验结果及分析 | 第59-64页 |
| 4.2.1.1 字向量和词向量 | 第59-60页 |
| 4.2.1.2 词向量作为特征 | 第60-63页 |
| 4.2.1.3 词向量作为参数初始化 | 第63-64页 |
| 4.2.2 文本分类实验结果总结 | 第64-66页 |
| 4.3 词向量模型实验结果及分析 | 第66-70页 |
| 4.3.1 词相关性分析 | 第66-68页 |
| 4.3.2 模型比较 | 第68-70页 |
| 4.4 非平衡数据集优化实验结果及分析 | 第70-72页 |
| 4.4.1 固定K值各分类模型实验结果及分析 | 第70-71页 |
| 4.4.2 固定分类模型不同K值实验结果及分析 | 第71-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 全文总结与展望 | 第73-75页 |
| 5.1 论文总结 | 第73-74页 |
| 5.2 未来展望 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 攻硕期间取得的研究成果 | 第79页 |
