摘要 | 第4-5页 |
abstract | 第5页 |
第一章 绪论 | 第10-14页 |
1.1 研究背景及意义 | 第10-12页 |
1.2 主要研究内容及创新点 | 第12-13页 |
1.3 论文的结构 | 第13-14页 |
第二章 邮件文本分类方法 | 第14-30页 |
2.1 文本分类简介 | 第14页 |
2.2 文本预处理 | 第14-16页 |
2.2.1 过滤非法字符 | 第14-15页 |
2.2.2 分词 | 第15页 |
2.2.3 去除停用词 | 第15页 |
2.2.4 替换相关词 | 第15-16页 |
2.3 词向量方法研究 | 第16-18页 |
2.3.1 词袋模型 | 第16页 |
2.3.2 HashTrick | 第16-17页 |
2.3.3 DistributedRepresentation | 第17页 |
2.3.4 随机初始化 | 第17-18页 |
2.4 邮件文本分类的模型 | 第18-29页 |
2.4.1 朴素贝叶斯分类 | 第18-19页 |
2.4.2 决策树 | 第19-20页 |
2.4.3 支持向量机分类 | 第20-22页 |
2.4.4 逻辑回归 | 第22-23页 |
2.4.5 FastText分类 | 第23-24页 |
2.4.6 卷积神经网络 | 第24-25页 |
2.4.7 循环神经网络 | 第25-27页 |
2.4.8 LSTM与GRU分类 | 第27-29页 |
2.5 本章小结 | 第29-30页 |
第三章 基于深度学习的邮件分类方法研究 | 第30-44页 |
3.1 Conv-BiGRU模型的提出 | 第30-38页 |
3.1.1 Conv-BiGRU结构设计 | 第30-31页 |
3.1.2 Inception的改进 | 第31-33页 |
3.1.3 改进Inception卷积结构与双向GRU的结合 | 第33-35页 |
3.1.4 防止过拟合方法及激活函数选择 | 第35-36页 |
3.1.5 模型训练 | 第36-37页 |
3.1.6 Embedding层特征扩展 | 第37-38页 |
3.1.7 基于特征扩展的模型变种设计 | 第38页 |
3.2 基于深度学习的Stacking模型设计 | 第38-42页 |
3.2.1 集成学习方法 | 第39-40页 |
3.2.2 Stacking模型设计 | 第40-41页 |
3.2.3 基于深度学习的Stacking模型改进 | 第41-42页 |
3.3 本章小结 | 第42-44页 |
第四章 邮件文本分类系统的实现与分析 | 第44-64页 |
4.1 邮件文本系统概述 | 第44-46页 |
4.1.1 邮件文本分类系统架构 | 第44-45页 |
4.1.2 邮件文本分类系统框架 | 第45-46页 |
4.2 文本数据处理分析 | 第46-49页 |
4.2.1 数据描述 | 第46-47页 |
4.2.2 数据预处理 | 第47-49页 |
4.3 分类的评价标准 | 第49-52页 |
4.3.1 分类的交叉验证 | 第49-50页 |
4.3.2 分类的性能评估指标 | 第50-52页 |
4.4 实验与结果分析 | 第52-61页 |
4.4.1 实验设计 | 第52页 |
4.4.2 实验环境 | 第52-53页 |
4.4.3 实验结果分析 | 第53-61页 |
4.5 本章小结 | 第61-64页 |
第五章 总结与展望 | 第64-66页 |
5.1 本文总结 | 第64-65页 |
5.2 未来展望 | 第65-66页 |
参考文献 | 第66-71页 |
攻读硕士期间发表的论文及取得的研究成果 | 第71-72页 |
致谢 | 第72-73页 |