| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文的研究内容 | 第12-13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 相关知识介绍 | 第15-25页 |
| 2.1 文本分类 | 第15-18页 |
| 2.1.1 文本分类流程 | 第15页 |
| 2.1.2 文本分类算法 | 第15-18页 |
| 2.2 特征选择方法 | 第18-19页 |
| 2.3 主题模型 | 第19-21页 |
| 2.3.1 LDA建模过程 | 第20页 |
| 2.3.2 LDA求解算法 | 第20-21页 |
| 2.4 深度学习 | 第21-24页 |
| 2.4.1 词嵌入模型 | 第22页 |
| 2.4.2 深度神经网络 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于主题模型的短文本分类算法 | 第25-39页 |
| 3.1 双词主题模型 | 第25-26页 |
| 3.2 Metropolis-Hastings算法 | 第26-27页 |
| 3.3 基于快速双词主题模型的短文本分类算法 | 第27-33页 |
| 3.3.1 快速双词主题模型 | 第27-31页 |
| 3.3.2 结合FBTM特征扩展的分类算法框架 | 第31-33页 |
| 3.4 实验结果及分析 | 第33-37页 |
| 3.4.1 实验数据集以及评价标准 | 第33页 |
| 3.4.2 主题模型实验结果分析 | 第33-35页 |
| 3.4.3 分类算法实验结果分析 | 第35-37页 |
| 3.4.4 实验参数的影响 | 第37页 |
| 3.5 本章小结 | 第37-39页 |
| 第4章 基于卷积神经网络的短文本分类算法 | 第39-51页 |
| 4.1 用于语句分类的卷积神经网络 | 第39-40页 |
| 4.2 基于卷积神经网络与随机森林的短文本分类算法 | 第40-44页 |
| 4.2.1 CNN-RF模型 | 第41-42页 |
| 4.2.2 Softmax预训练 | 第42页 |
| 4.2.3 随机森林训练 | 第42-44页 |
| 4.3 实验与结果分析 | 第44-48页 |
| 4.3.1 实验数据集以及评价标准 | 第44页 |
| 4.3.2 预处理及参数设置 | 第44页 |
| 4.3.3 实验设置与评价指标 | 第44-45页 |
| 4.3.4 实验结果分析 | 第45-47页 |
| 4.3.5 参数的影响及分析 | 第47-48页 |
| 4.4 本章小结 | 第48-51页 |
| 结论 | 第51-53页 |
| 参考 文献 | 第53-57页 |
| 攻读硕士学位期间发表的学术论文 | 第57-59页 |
| 致谢 | 第59页 |