| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 相关研究现状 | 第12-14页 |
| 1.3 主要研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 相关技术概述 | 第16-29页 |
| 2.1 Word Embedding常见模型 | 第16-23页 |
| 2.1.1 Bag-of-words模型 | 第16页 |
| 2.1.2 神经网络语言模型 | 第16-18页 |
| 2.1.3 Word2vec工具 | 第18-23页 |
| 2.2 深度学习常见模型 | 第23-26页 |
| 2.2.1 卷积神经网络CNN | 第24-25页 |
| 2.2.2 递归神经网络RNN | 第25-26页 |
| 2.3 传统短文本分类模型 | 第26-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于稀疏自学习卷积神经网络的短文本分类模型 | 第29-36页 |
| 3.1 引言 | 第29页 |
| 3.2 短文本分类模型SCNN框架 | 第29-31页 |
| 3.3 构建短文本分类模型SCNN | 第31-35页 |
| 3.3.1 广义卷积 | 第31页 |
| 3.3.2 稀疏自学习模型 | 第31-35页 |
| 3.4 SCNN模型特征分析 | 第35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于集成深度网络的短文本分类模型 | 第36-41页 |
| 4.1 引言 | 第36页 |
| 4.2 长短期记忆网络 | 第36-39页 |
| 4.3 短文本分类模型CRNN框架 | 第39页 |
| 4.4 本章小结 | 第39-41页 |
| 第5章 实验与结果分析 | 第41-51页 |
| 5.1 实验背景 | 第41-42页 |
| 5.1.1 数据集 | 第41-42页 |
| 5.1.2 评测标准 | 第42页 |
| 5.2 SCNN模型的训练 | 第42-46页 |
| 5.2.1 池化层K值对于模型的影响 | 第42-43页 |
| 5.2.2 稀疏自学习与非稀疏策略对于模型的影响 | 第43-46页 |
| 5.3 CRNN模型的训练 | 第46-48页 |
| 5.3.1 池化层K值对于模型的影响 | 第46-47页 |
| 5.3.2 CRNN模型正则化系数对于模型的影响 | 第47-48页 |
| 5.4 词向量对于模型分类效果的影响 | 第48-50页 |
| 5.5 SCNN模型与其它模型的分类对比 | 第50页 |
| 5.6 本章小结 | 第50-51页 |
| 第6章 总结与展望 | 第51-53页 |
| 6.1 总结 | 第51-52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 作者简介及学期间所取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |