| 摘要 | 第7-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究目的 | 第11页 |
| 1.3 国内外研究现状 | 第11-13页 |
| 1.3.1 文本分类研究现状 | 第11-12页 |
| 1.3.2 自动编码器研究现状 | 第12-13页 |
| 1.4 主要研究内容 | 第13-14页 |
| 1.5 论文结构 | 第14-16页 |
| 第2章 文本分类和自动编码器相关技术研究 | 第16-30页 |
| 2.1 文本分类技术理论介绍 | 第16-24页 |
| 2.1.1 文本挖掘简介 | 第16页 |
| 2.1.2 文本分类概念 | 第16-17页 |
| 2.1.3 文本分类处理过程 | 第17-24页 |
| 2.2 自动编码器相关理论技术的研究 | 第24-28页 |
| 2.2.1 深度学习理论介绍 | 第24-25页 |
| 2.2.2 自动编码器模型介绍 | 第25-27页 |
| 2.2.3 自动编码器在文本分类中的应用 | 第27-28页 |
| 2.3 本章小结 | 第28-30页 |
| 第3章 基于改进的TFIDF特征权重计算方法 | 第30-42页 |
| 3.1 TFIDF算法介绍 | 第30-31页 |
| 3.2 传统TFIDF算法的优点与不足 | 第31-33页 |
| 3.3 TFIDF计算方法的改进 | 第33-36页 |
| 3.3.1 TFIDF相关改进方法 | 第33-34页 |
| 3.3.2 本章改进的TFIDF计算方法 | 第34-36页 |
| 3.4 实验结果分析 | 第36-39页 |
| 3.4.1 实验数据 | 第36页 |
| 3.4.2 分类性能评价 | 第36-37页 |
| 3.4.3 实验分析 | 第37-39页 |
| 3.5 本章小结 | 第39-42页 |
| 第4章 一种基于混合自动编码器模型的深度学习方法 | 第42-52页 |
| 4.1 稀疏自动编码器 | 第42-44页 |
| 4.2 文本特征学习 | 第44-45页 |
| 4.3 模型设计 | 第45-47页 |
| 4.4 实验结果分析 | 第47-50页 |
| 4.4.1 实验数据 | 第47页 |
| 4.4.2 实验分析 | 第47-50页 |
| 4.5 本章小结 | 第50-52页 |
| 第5章 基于Spark平台混合自动编码器模型算法的应用 | 第52-62页 |
| 5.1 Spark并行化计算框架 | 第52-54页 |
| 5.2 HDFS | 第54页 |
| 5.3 Spark 平台下文本分类的并行化过程 | 第54-58页 |
| 5.3.1 Spark平台下实现文本分布式存储 | 第54-55页 |
| 5.3.2 并行化实现文本预处理 | 第55-56页 |
| 5.3.3 并行化实现改进的TFIDF | 第56页 |
| 5.3.4 并行化实现混合稀疏自动编码器模型训练文本 | 第56-58页 |
| 5.4 实验结果分析 | 第58-60页 |
| 5.4.1 Spark集群实验环境搭建 | 第58-59页 |
| 5.4.2 实验分析 | 第59-60页 |
| 5.5 本章小结 | 第60-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-72页 |
| 在学期间主要科研成果 | 第72页 |