| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 课题的背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 问题分类的研究现状 | 第13-15页 |
| 1.2.2 卷积神经网络的研究现状 | 第15-16页 |
| 1.2.3 循环神经网络的研究现状 | 第16-17页 |
| 1.3 本文的主要研究内容和组织结构 | 第17-19页 |
| 第2章 相关理论的基本介绍 | 第19-30页 |
| 2.1 传统文本分类方法 | 第19-22页 |
| 2.2 BP神经网络 | 第22-26页 |
| 2.3 卷积神经网络 | 第26-27页 |
| 2.4 循环神经网络 | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于长短期记忆模型的改进 | 第30-46页 |
| 3.1 循环神经网络存在的问题及其研究 | 第30-32页 |
| 3.2 长短期记忆模型的改进 | 第32-37页 |
| 3.3 实验结果及分析 | 第37-43页 |
| 3.3.1 Adding Problem | 第37-39页 |
| 3.3.2 MNIST序列分类 | 第39-41页 |
| 3.3.3 字符级语言模型 | 第41-43页 |
| 3.4 模型分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 基于CNN和Att-LSTM的问题分类 | 第46-63页 |
| 4.1 基于CNN和Att-LSTM的分类框架 | 第46-52页 |
| 4.1.1 输入层的设计 | 第48-49页 |
| 4.1.2 卷积层的设计 | 第49-50页 |
| 4.1.3 池化层的设计 | 第50-51页 |
| 4.1.4 Highway Network层的设计 | 第51-52页 |
| 4.1.5 循环层的设计 | 第52页 |
| 4.1.6 全连接层设计 | 第52页 |
| 4.2 优化技巧和训练方法 | 第52-55页 |
| 4.3 实验结果及框架分析 | 第55-61页 |
| 4.3.1 实验环境 | 第55-56页 |
| 4.3.2 实验结果及其分析 | 第56-58页 |
| 4.3.3 网络框架的分析 | 第58-61页 |
| 4.4 本章小结 | 第61-63页 |
| 结论 | 第63-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 附录A 发表论文和参加科研情况说明 | 第71页 |