混合深度学习模型在新闻文本分类中的应用
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第11-16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 |
| 1.3. 论文主要工作和贡献 | 第14-15页 |
| 1.4. 论文组织 | 第15-16页 |
| 第二章 文本分类与深度学习介绍 | 第16-29页 |
| 2.1. 文本分类的一般过程 | 第16-19页 |
| 2.1.1. 文本预处理 | 第16页 |
| 2.1.2. 分词 | 第16-17页 |
| 2.1.3. 文本表示与特征选择 | 第17-18页 |
| 2.1.4. 文本分类模型 | 第18-19页 |
| 2.2. 文本分类中的深度学习模型 | 第19-28页 |
| 2.2.1. 反向传播与梯度下降 | 第20-23页 |
| 2.2.2. CNN(卷积神经网络) | 第23-25页 |
| 2.2.3. RNN(递归神经网络) | 第25-27页 |
| 2.2.4. Attention(注意力机制) | 第27-28页 |
| 2.3. 本章小结 | 第28-29页 |
| 第三章 用于文本分类的深度学习模型 | 第29-34页 |
| 3.1. Word Embedding | 第29页 |
| 3.2. TextCNN | 第29-30页 |
| 3.3. TextRCNN | 第30-32页 |
| 3.4. Attention模型 | 第32页 |
| 3.5. 本章小结 | 第32-34页 |
| 第四章 新闻文本分类中的深度学习模型 | 第34-38页 |
| 4.1. TextCNN的改进 | 第34-35页 |
| 4.2. TextRCNN的改进 | 第35页 |
| 4.3. Attention模型的改进 | 第35-36页 |
| 4.4. 模型混合 | 第36-37页 |
| 4.5. 本章小结 | 第37-38页 |
| 第五章 实验与结果分析 | 第38-45页 |
| 5.1. 实验设计 | 第38页 |
| 5.2. 实验环境 | 第38页 |
| 5.3. 实验语料数据 | 第38-39页 |
| 5.4. 模型参数设置 | 第39-40页 |
| 5.5. 模型结果和分析 | 第40-44页 |
| 5.5.1. 清华新闻语料 | 第40-42页 |
| 5.5.2. 搜狗新闻语料 | 第42-44页 |
| 5.6. 本章小结 | 第44-45页 |
| 第六章 总结与展望 | 第45-47页 |
| 6.1. 总结 | 第45-46页 |
| 6.2. 展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |
| 学位论文评阅及答辩情况表 | 第51页 |
