| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 主题模型的研究现状 | 第9-10页 |
| 1.2.2 文本分类的研究现状 | 第10-11页 |
| 1.2.3 基于深度学习的文本分类的研究现状 | 第11-12页 |
| 1.3 主要研究内容及工作 | 第12-13页 |
| 1.4 论文组织结构 | 第13-14页 |
| 第二章 相关理论与技术 | 第14-28页 |
| 2.1 文本分类概念 | 第14页 |
| 2.2 文本表示技术 | 第14-15页 |
| 2.3 基于机器学习的文本分类 | 第15-18页 |
| 2.3.1 XGBoost分类 | 第16-17页 |
| 2.3.2 SVM算法 | 第17-18页 |
| 2.4 主题模型 | 第18-22页 |
| 2.4.1 HDP主题模型 | 第19-20页 |
| 2.4.2 SLHDP主题模型 | 第20-22页 |
| 2.5 半监督学习(SSL) | 第22-23页 |
| 2.6 门控循环网络 | 第23-25页 |
| 2.7 分类评价指标 | 第25-27页 |
| 2.8 本章小结 | 第27-28页 |
| 第三章 主题模型和半监督学习结合的科技政策文本分类 | 第28-43页 |
| 3.1 科技政策文本 | 第28-29页 |
| 3.2 基于SSL-SLHDP+PXG的科技政策文本分类 | 第29-36页 |
| 3.2.1 科技政策文本预处理 | 第29-31页 |
| 3.2.2 SLHDP主题建模 | 第31页 |
| 3.2.3 扩展标记样本 | 第31-34页 |
| 3.2.4 改进的XGBoost | 第34-36页 |
| 3.3 实验设计与结果分析 | 第36-42页 |
| 3.3.1 实验过程 | 第36-38页 |
| 3.3.2 实验结果分析 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 深度学习与主题模型结合的科技政策文本分类 | 第43-63页 |
| 4.1 基于Bi GRU的科技政策文本分类 | 第43-45页 |
| 4.2 主题向量融合Bi GRU的科技政策文本分类 | 第45-50页 |
| 4.2.1 文本特征提取 | 第45-46页 |
| 4.2.2 WT-BiGRU-1 模型 | 第46-47页 |
| 4.2.3 WT-BiGRU-2 模型 | 第47-49页 |
| 4.2.4 实验与分析 | 第49-50页 |
| 4.3 主题向量融合深度残差Bi GRU的科技政策文本分类 | 第50-53页 |
| 4.3.1 深度残差R-Bi GRU模型 | 第50-52页 |
| 4.3.2 WTR-BiGRU模型 | 第52-53页 |
| 4.4 实验设计与结果分析 | 第53-60页 |
| 4.4.1 实验过程 | 第53-55页 |
| 4.4.2 实验结果与分析 | 第55-60页 |
| 4.5 系统设计与实现 | 第60-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第70页 |
