| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 深度学习在计算机视觉领域的研究现状 | 第12页 |
| 1.2.2 深度学习在语音识别领域的研究现状 | 第12-13页 |
| 1.2.3 深度学习在自然语言处理领域的研究现状 | 第13-14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文组织结构 | 第15-17页 |
| 2 相关背景知识 | 第17-33页 |
| 2.1 非线性激活函数 | 第17-20页 |
| 2.2 神经网络模型的优化方法 | 第20-25页 |
| 2.2.1 梯度下降算法 | 第21-22页 |
| 2.2.2 基于梯度下降算法的优化方法 | 第22-25页 |
| 2.3 反向传播算法 | 第25-28页 |
| 2.4 性能度量 | 第28-32页 |
| 2.4.1 正确率与错误率 | 第29页 |
| 2.4.2 准确率和召回率及F1度量 | 第29-30页 |
| 2.4.3 ROC曲线与AUC | 第30-32页 |
| 2.5 本章小结 | 第32-33页 |
| 3 基于双向循环和卷积神经网络的文本表示与分类 | 第33-45页 |
| 3.1 循环神经网络 | 第33-37页 |
| 3.1.1 长短期记忆 | 第35-36页 |
| 3.1.2 门控循环单元 | 第36页 |
| 3.1.3 双向循环神经网络 | 第36-37页 |
| 3.2 卷积神经网络 | 第37-40页 |
| 3.2.1 卷积操作 | 第38-39页 |
| 3.2.2 池化操作 | 第39-40页 |
| 3.2.3 多层卷积神经网络结构 | 第40页 |
| 3.3 双向循环和卷积神经网络文本表示与分类模型设计 | 第40-44页 |
| 3.3.1 文本表示部分结构设计 | 第41-43页 |
| 3.3.2 文本分类部分结构设计 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 基于注意机制和卷积神经网络的文本表示与分类 | 第45-53页 |
| 4.1 注意机制 | 第45-48页 |
| 4.1.1 双向注意机制结构设计 | 第46-47页 |
| 4.1.2 多层注意机制结构设计 | 第47-48页 |
| 4.2 注意机制和卷积神经网络文本表示与分类模型设计 | 第48-51页 |
| 4.2.1 文本表示部分结构设计 | 第48-50页 |
| 4.2.2 文本分类部分结构设计 | 第50-51页 |
| 4.3 本章小结 | 第51-53页 |
| 5 实验结果对比与分析 | 第53-73页 |
| 5.1 数据集 | 第53-54页 |
| 5.2 实验设置 | 第54-55页 |
| 5.3 对比方法 | 第55-56页 |
| 5.4 对比与分析 | 第56-70页 |
| 5.4.1 BRCNN和ACNN与现有模型的性能对比与分析 | 第56-59页 |
| 5.4.2 BRCNN和ACNN及其变形形式的性能对比与分析 | 第59-61页 |
| 5.4.3 多层BRCNN和ACNN的性能对比与分析 | 第61-62页 |
| 5.4.4 BRCNN循环层使用的Dropout强度的对比与分析 | 第62-63页 |
| 5.4.5 准确度和召回率及F1度量的对比与分析 | 第63-66页 |
| 5.4.6 P-R曲线分析 | 第66-67页 |
| 5.4.7 混淆矩阵分析 | 第67-69页 |
| 5.4.8 ROC曲线和AUC分析 | 第69-70页 |
| 5.5 实验结论 | 第70页 |
| 5.6 本章小结 | 第70-73页 |
| 6 结论与展望 | 第73-75页 |
| 6.1 总结 | 第73-74页 |
| 6.2 展望 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第81-85页 |
| 学位论文数据集 | 第85页 |
