首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于深度学习的垃圾邮件文本分类方法

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

论文共73页,点击 下载论文
上一篇:基于漏洞热度的Web应用攻防演练系统研究
下一篇:嵌入式音视频同步网络监控系统设计与实现