| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 选题背景及意义 | 第10-11页 |
| 1.1.1 选题背景 | 第10页 |
| 1.1.2 选题意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 主题模型国内外研究现状 | 第11-14页 |
| 1.2.2 短文本分类国内外研究现状 | 第14-15页 |
| 1.2.3 研究现状小结 | 第15页 |
| 1.3 研究内容及技术路线 | 第15-17页 |
| 1.3.1 研究内容 | 第15-17页 |
| 1.3.2 技术路线 | 第17页 |
| 1.4 主要工作及创新点 | 第17-19页 |
| 第二章 相关基础理论简介 | 第19-29页 |
| 2.1 LDA主题模型简介 | 第19-22页 |
| 2.1.1 概率主题模型的发展 | 第19-20页 |
| 2.1.2 LDA主题模型 | 第20-21页 |
| 2.1.3 模型泛化能力评价方法 | 第21页 |
| 2.1.4 TF-IDF算法 | 第21-22页 |
| 2.2 卷积神经网络相关背景知识简介 | 第22-26页 |
| 2.2.1 神经网络简介 | 第22-23页 |
| 2.2.2 卷积神经网络(CNN)模型 | 第23-24页 |
| 2.2.3 反向传播与梯度下降 | 第24-26页 |
| 2.2.4 词向量 | 第26页 |
| 2.3 分类相关基础理论 | 第26-28页 |
| 2.3.1 Softmax分类器 | 第26-27页 |
| 2.3.2 Dropout技术 | 第27页 |
| 2.3.3 文本分类效果评价 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 HLDA主题模型构建 | 第29-37页 |
| 3.1 短文本特征分析 | 第29-30页 |
| 3.2 构建热度加权的HLDA模型 | 第30-33页 |
| 3.2.1 文本热度定义 | 第30-32页 |
| 3.2.2 构建热度加权的HLDA模型 | 第32-33页 |
| 3.3 HLDA模型算法与生成过程 | 第33-35页 |
| 3.3.1 HLDA模型算法 | 第33-35页 |
| 3.3.2 HLDA模型生成过程 | 第35页 |
| 3.4 逆文档频率再排序 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于HLDA和CNN的短文本分类算法设计 | 第37-44页 |
| 4.1 基于HLDA和CNN的短文本分类算法的详细步骤 | 第37-42页 |
| 4.1.1 CNN的输入处理 | 第37-39页 |
| 4.1.2 提取CNN文本向量 | 第39-41页 |
| 4.1.3 融合CNN文本向量与HLDA文本主题向量 | 第41页 |
| 4.1.4 Softmax短文本分类 | 第41-42页 |
| 4.2 基于HLDA和CNN的短文本分类算法的整体流程 | 第42-43页 |
| 4.3 本章小结 | 第43-44页 |
| 第五章 实验设计与结果分析 | 第44-55页 |
| 5.1 实验环境 | 第44页 |
| 5.2 实验数据 | 第44-46页 |
| 5.2.1 实验数据获取与存储 | 第44-45页 |
| 5.2.2 实验数据文本预处理 | 第45-46页 |
| 5.3 HLDA模型实验 | 第46-51页 |
| 5.3.1 实验基本思路 | 第46-47页 |
| 5.3.2 实验参数设置 | 第47页 |
| 5.3.3 HLDA模型建模结果分析 | 第47-48页 |
| 5.3.4 HLDA模型对比实验 | 第48-51页 |
| 5.4 基于HLDA和CNN的短文本分类算法实验 | 第51-54页 |
| 5.4.1 实验基本思路 | 第51页 |
| 5.4.2 实验参数设置 | 第51页 |
| 5.4.3 算法对比实验 | 第51-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 在学期间的研究成果及发表的学术论文 | 第63页 |
