首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

基于深度学习的判决结果倾向性分析研究

摘要第5-6页
Abstract第6-7页
第一章 引言第12-17页
    1.1 研究背景第12-13页
    1.2 研究现状第13-15页
        1.2.1 裁判文书研究第13页
        1.2.2 判决结果倾向性分析与短文本情感分析比较第13-14页
        1.2.3 情感分析研究第14-15页
    1.3 本文工作第15-16页
    1.4 本文的组织结构第16-17页
第二章 文本挖掘技术介绍第17-33页
    2.1 词的表示第17-24页
        2.1.1 词向量第17-19页
        2.1.2 Word2vec第19-24页
    2.2 语言模型和循环神经网络第24-27页
    2.3 长短期记忆模型及其变种第27-31页
    2.4 本章小结第31-33页
第三章 判决结果倾向性分析模型第33-48页
    3.1 基于Embedding和LSTM的判决结果倾向性分析模型第33-42页
        3.1.1 判决结果预处理模块第33-40页
        3.1.2 文本向量化模块第40页
        3.1.3 基于Embedding和LSTM的深度神经网络模块第40-42页
    3.2 基于Word2vec和LSTM的判决结果倾向性分析模型第42-44页
    3.3 基于Word2vec和BLSTM的判决结果倾向性分析模型第44-45页
    3.4 基于词典规则的判决结果倾向性分析模型第45-47页
    3.5 本章小结第47-48页
第四章 实验与分析第48-54页
    4.1 语料数据第48页
    4.2 评价标准第48-49页
    4.3 实验设计第49页
    4.4 实验结果与分析第49-53页
    4.5 本章小结第53-54页
第五章 总结与展望第54-56页
    5.1 总结第54页
    5.2 进一步工作展望第54-56页
参考文献第56-62页
致谢第62-63页
攻读硕士期间发表的论文和专利第63-64页
攻读硕士期间参与的项目第64-66页

论文共66页,点击 下载论文
上一篇:基于主题模型和卷积神经网络的命名实体识别研究
下一篇:机器学习研究及其在生存分析中的应用