| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究动态 | 第11-16页 |
| 1.2.1 自然语言信息隐藏技术 | 第11-13页 |
| 1.2.2 自然语言隐写分析技术 | 第13-15页 |
| 1.2.3 存在的主要问题 | 第15-16页 |
| 1.3 研究内容 | 第16-17页 |
| 1.4 论文结构 | 第17-18页 |
| 第二章 相关技术简介 | 第18-32页 |
| 2.1 基于同义词替换的自然语言隐写分析算法 | 第18-20页 |
| 2.1.1 基于属性对的隐写分析算法 | 第18-19页 |
| 2.1.2 基于相对词频的隐写分析方法 | 第19-20页 |
| 2.2 基于同义词替换的文本信息隐藏技术 | 第20-23页 |
| 2.2.1 T-lex隐写系统 | 第20-21页 |
| 2.2.2 基于矩阵编码的同义词替换信息隐藏算法 | 第21-22页 |
| 2.2.3 基于STC的同义词替换信息隐藏算法 | 第22-23页 |
| 2.3 分布式词向量表示方法 | 第23-27页 |
| 2.3.1 CBOW和Skip-gram语言模型 | 第23-25页 |
| 2.3.2 语言模型优化算法 | 第25-26页 |
| 2.3.3 Word2vec简介 | 第26-27页 |
| 2.4 深度学习 | 第27-31页 |
| 2.4.1 深度学习概述 | 第27-28页 |
| 2.4.2 典型深度学习模型 | 第28-31页 |
| 2.5 小结 | 第31-32页 |
| 第三章 基于词向量度量合适度的自然语言隐写分析方法 | 第32-46页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于词向量度量合适度的隐写分析方法 | 第33-41页 |
| 3.2.1 整体框架 | 第33-34页 |
| 3.2.2 词的词向量表示 | 第34-36页 |
| 3.2.3 基于TF-IDF的同义词的上下文合适度计算 | 第36-38页 |
| 3.2.4 隐写分析特征的提取 | 第38-40页 |
| 3.2.5 算法描述 | 第40-41页 |
| 3.3 实验结果与分析 | 第41-45页 |
| 3.3.1 实验设置 | 第41-42页 |
| 3.3.2 隐写特征分析 | 第42-43页 |
| 3.3.3 检测能力的对比分析 | 第43-44页 |
| 3.3.4 词向量训练语料库的影响分析 | 第44-45页 |
| 3.4 小结 | 第45-46页 |
| 第四章 基于卷积神经网络的自然语言隐写分析方法 | 第46-53页 |
| 4.1 引言 | 第46-47页 |
| 4.2 基于CNN的隐写分析特征学习框架 | 第47-50页 |
| 4.2.1 总框架 | 第47-48页 |
| 4.2.2 基于词向量的文本预处理 | 第48-49页 |
| 4.2.3 隐写特征学习 | 第49-50页 |
| 4.2.4 隐写文本分类 | 第50页 |
| 4.3 实验结果与分析 | 第50-53页 |
| 4.3.1 实验设置 | 第50页 |
| 4.3.2 检测能力分析 | 第50-52页 |
| 4.3.3 小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-61页 |
| 附录A 攻读硕士期间发表的论文 | 第61页 |