| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 课题研究背景和研究意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 中文分词研究现状 | 第12-13页 |
| 1.2.2 词表示研究现状 | 第13-15页 |
| 1.2.3 文本分类研究现状 | 第15-16页 |
| 1.3 论文的研究目标和研究内容 | 第16-18页 |
| 1.3.1 研究目标 | 第16-17页 |
| 1.3.2 研究内容 | 第17-18页 |
| 1.4 论文的结构安排 | 第18-19页 |
| 第二章 相关技术简介 | 第19-33页 |
| 2.1 中文分词 | 第19-25页 |
| 2.1.1 中文分词难点 | 第19-20页 |
| 2.1.2 常见的中文分词方法 | 第20-21页 |
| 2.1.3 三种基于字标注的中文分词法 | 第21-25页 |
| 2.2 卷积神经网络 | 第25-28页 |
| 2.2.1 卷积定义 | 第25-26页 |
| 2.2.2 卷积神经网络定义 | 第26页 |
| 2.2.3 卷积神经网络的超参数 | 第26-28页 |
| 2.3 循环神经网络 | 第28-32页 |
| 2.3.1 循环神经网络定义 | 第28-29页 |
| 2.3.2 循环神经网络训练过程 | 第29-31页 |
| 2.3.3 循环神经网络变体 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于tfidf变体的Stacking分类模型研究 | 第33-46页 |
| 3.1 数据预处理 | 第34-35页 |
| 3.1.1 中文分词 | 第34-35页 |
| 3.1.2 去除停用词 | 第35页 |
| 3.2 特征向量 | 第35-39页 |
| 3.2.1 特征选择 | 第35-37页 |
| 3.2.2 tfidf变体计算特征权重 | 第37-39页 |
| 3.3 集成分类器研究 | 第39-45页 |
| 3.3.1 集成学习 | 第39-42页 |
| 3.3.2 构造Stacking分类器 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 字符级卷积神经网络文本分类模型研究 | 第46-60页 |
| 4.1 构造字符级卷积神经网络模型 | 第46-53页 |
| 4.1.1 数据预处理 | 第47-48页 |
| 4.1.2 模型设计 | 第48-50页 |
| 4.1.3 模型训练与优化 | 第50-53页 |
| 4.2 对比实验 | 第53-59页 |
| 4.2.1 单词级卷积神经网络文本分类模型 | 第53-55页 |
| 4.2.2 字符级循环神经网络文本分类模型 | 第55-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第五章 实验结果与分析 | 第60-72页 |
| 5.1 数据集介绍与分析 | 第60-61页 |
| 5.2 评价指标与实验基准 | 第61-62页 |
| 5.3 实验结果与分析 | 第62-71页 |
| 5.3.1 基于tfidf变体的Stacking集成分类模型实验 | 第62-65页 |
| 5.3.2 字符级卷积神经网络分类模型实验 | 第65-67页 |
| 5.3.3 单词级卷积神经网络分类模型实验 | 第67-69页 |
| 5.3.4 字符级循环神经网络分类模型实验 | 第69-70页 |
| 5.3.5 其它数据集上的实验 | 第70-71页 |
| 5.4 本章小结 | 第71-72页 |
| 第六章 总结与展望 | 第72-74页 |
| 6.1 论文工作总结 | 第72-73页 |
| 6.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |