深度学习在社交网络文本分类中的应用研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 研究现状 | 第10-11页 |
| 1.3 论文主要工作内容 | 第11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 系统相关技术 | 第13-27页 |
| 2.1 深度学习 | 第13-15页 |
| 2.2 文本分类算法介绍 | 第15-22页 |
| 2.3 实验开发平台 | 第22-23页 |
| 2.3.1 开发语言选择 | 第22页 |
| 2.3.2 开发工具选择 | 第22-23页 |
| 2.3.3 开发环境选择 | 第23页 |
| 2.4 安装Python及相关工具 | 第23-26页 |
| 2.4.1 安装Python2.7 | 第23页 |
| 2.4.2 PYCHARM安装 | 第23-24页 |
| 2.4.3 Keras框架搭建 | 第24页 |
| 2.4.4 其他工具 | 第24-25页 |
| 2.4.5 安装Scrapy框架 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 深度学习神经网络模型 | 第27-32页 |
| 3.1 模型设计 | 第27-28页 |
| 3.2 结构设计 | 第28-31页 |
| 3.2.1 输入层 | 第28页 |
| 3.2.2 卷积层 | 第28-29页 |
| 3.2.3 Bi-LSTM | 第29-31页 |
| 3.2.4 全连接层 | 第31页 |
| 3.3 本章小结 | 第31-32页 |
| 第四章 文本分类实验 | 第32-39页 |
| 4.1 预处理 | 第32页 |
| 4.2 词向量 | 第32-33页 |
| 4.3 特征向量的提取 | 第33-34页 |
| 4.3.1 情感特征向量 | 第33页 |
| 4.3.2 词性特征向量 | 第33-34页 |
| 4.3.3 位置特征向量 | 第34页 |
| 4.4 模型训练 | 第34-35页 |
| 4.5 实验及结果分析 | 第35-38页 |
| 4.5.1 实验 | 第35-37页 |
| 4.5.2 结果分析 | 第37-38页 |
| 4.6 本章小结 | 第38-39页 |
| 第五章 Echarts文本分类可视化系统 | 第39-55页 |
| 5.1 系统设计 | 第39-41页 |
| 5.1.1 系统模块概要设计 | 第39-40页 |
| 5.1.2 数据库设计 | 第40页 |
| 5.1.3 运行环境 | 第40页 |
| 5.1.4 关键技术 | 第40-41页 |
| 5.2 系统实现 | 第41-54页 |
| 5.2.1 数据库连接 | 第41页 |
| 5.2.2 功能界面实现 | 第41-54页 |
| 5.3 本章小结 | 第54-55页 |
| 结论 | 第55-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58页 |
