卷积神经网络在问句分类中的研究与应用
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 引言 | 第12-18页 |
| 1.1 研究意义及背景 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 本文主要研究内容 | 第15-16页 |
| 1.4 论文组织 | 第16页 |
| 1.5 本章小节 | 第16-18页 |
| 第二章 传统问句分类算法及性能优化 | 第18-34页 |
| 2.1 问句分类概念及流程 | 第18页 |
| 2.1.1 问句分类的定义和特点 | 第18页 |
| 2.1.2 问句分类流程 | 第18页 |
| 2.2 问句预处理及特征选择 | 第18-21页 |
| 2.2.1 问句预处理 | 第18-19页 |
| 2.2.2 问句特征选择方法 | 第19-21页 |
| 2.3 问句特征表示 | 第21-23页 |
| 2.3.1 one-hot | 第21-22页 |
| 2.3.2 TF-IDF | 第22-23页 |
| 2.4 问句分类算法 | 第23-26页 |
| 2.4.1 朴素贝叶斯 | 第23页 |
| 2.4.2 k-最近邻算法 | 第23-24页 |
| 2.4.3 决策树算法 | 第24页 |
| 2.4.4 支持向量机 | 第24-25页 |
| 2.4.5 逻辑回归 | 第25-26页 |
| 2.5 性能优化策略 | 第26-27页 |
| 2.6 实验结果分析 | 第27-31页 |
| 2.6.1 数据准备 | 第27-28页 |
| 2.6.2 实验结果及性能优化 | 第28-31页 |
| 2.7 本章小结 | 第31-34页 |
| 第三章 基于卷积神经网络的问句分类 | 第34-46页 |
| 3.1 WORD2VEC及其背景知识 | 第34-37页 |
| 3.1.1 统计语言模型 | 第34-35页 |
| 3.1.2 神经概率语言模型 | 第35-36页 |
| 3.1.3 Word2vec | 第36-37页 |
| 3.2 卷积神经网络 | 第37-39页 |
| 3.2.1 卷积操作 | 第38页 |
| 3.2.2 池化操作 | 第38-39页 |
| 3.3 卷积神经网络分类模型 | 第39-41页 |
| 3.3.1 输入层设计 | 第39-40页 |
| 3.3.2 卷积层设计 | 第40页 |
| 3.3.3 池化层设计 | 第40-41页 |
| 3.3.4 全连接层设计 | 第41页 |
| 3.4 数据准备 | 第41页 |
| 3.4.1 数据集 | 第41页 |
| 3.4.2 数据预处理 | 第41页 |
| 3.5 卷积神经网络模型的训练 | 第41-42页 |
| 3.6 实验 | 第42-44页 |
| 3.6.1 实验环境 | 第42页 |
| 3.6.2 实验设计 | 第42页 |
| 3.6.3 实验结果演示与分析 | 第42-44页 |
| 3.7 模型的泛化能力分析 | 第44-45页 |
| 3.8 本章小结 | 第45-46页 |
| 第四章 分段卷积神经网络在问句分类中的应用 | 第46-50页 |
| 4.1 引言 | 第46-47页 |
| 4.2 卷积神经网络模型介绍 | 第47-48页 |
| 4.2.1 输入层 | 第47页 |
| 4.2.2 卷积层 | 第47页 |
| 4.2.3 分段池化层 | 第47-48页 |
| 4.2.4 Dropout算法 | 第48页 |
| 4.3 实验 | 第48-49页 |
| 4.3.1 数据集 | 第48页 |
| 4.3.2 实验设置 | 第48-49页 |
| 4.3.3 实验结果与分析 | 第49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 本文主要工作 | 第50页 |
| 5.2 下一步工作 | 第50-52页 |
| 致谢 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录A 硕士期间发表的论文 | 第58-60页 |
| 附录B 硕士期间参与项目 | 第60-62页 |
| 附录C 数据类别及标签 | 第62页 |
