基于多词向量集成和神经网络的文本分类方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究意义与研究现状 | 第9-12页 |
| 1.1.1 选题背景及研究意义 | 第9-10页 |
| 1.1.2 国内外研究现状 | 第10-12页 |
| 1.2 本文工作 | 第12-14页 |
| 1.2.1 研究内容 | 第12-13页 |
| 1.2.2 本文组织结构 | 第13-14页 |
| 第二章 基于神经网络的文本分类方法相关技术 | 第14-24页 |
| 2.1 传统文本分类方法 | 第14页 |
| 2.2 基于神经网络的文本分类方法 | 第14-20页 |
| 2.2.1 递归神经网络 | 第15-16页 |
| 2.2.2 循环神经网络 | 第16-17页 |
| 2.2.3 卷积神经网络 | 第17-18页 |
| 2.2.4 神经网络其他相关技术 | 第18-20页 |
| 2.3 词向量表示技术 | 第20-23页 |
| 2.3.1 基于矩阵的词向量表示技术 | 第20-21页 |
| 2.3.2 基于神经网络的词向量表示技术 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于多词向量集成的神经网络文本分类模型 | 第24-34页 |
| 3.1 总体框架 | 第24-26页 |
| 3.1.1 输入模块 | 第25页 |
| 3.1.2 文本表示向量生成模块 | 第25页 |
| 3.1.3 文本表示向量修正模块 | 第25-26页 |
| 3.1.4 分类模块 | 第26页 |
| 3.2 词向量合并方法 | 第26-28页 |
| 3.2.1 基于向量运算的合并方法 | 第26-27页 |
| 3.2.2 基于卷积神经网络的合并方法 | 第27-28页 |
| 3.3 文本表示向量的修正策略 | 第28-32页 |
| 3.3.1 基于Highway网络的修正策略 | 第28-30页 |
| 3.3.2 基于注意力机制的修正策略 | 第30-32页 |
| 3.4 模型进行文本分类的基本流程 | 第32页 |
| 3.5 本章小结 | 第32-34页 |
| 第四章 实验与结果分析 | 第34-44页 |
| 4.1 实验设计 | 第34-37页 |
| 4.1.1 实验数据 | 第34-35页 |
| 4.1.2 预训练词向量 | 第35-36页 |
| 4.1.3 实验设置 | 第36-37页 |
| 4.2 分类实验与分析 | 第37-40页 |
| 4.2.1 斯坦福情感树图库情感分类 | 第37-38页 |
| 4.2.1 AG_NEWS新闻分类 | 第38-39页 |
| 4.2.3 复旦中文新闻分类 | 第39-40页 |
| 4.3 文本表示向量修正策略的对比实验与分析 | 第40-43页 |
| 4.3.1 基于Highway的修正策略对比实验 | 第40-43页 |
| 4.3.2 基于注意力机制的修正策略对比实验 | 第43页 |
| 4.4 本章小结 | 第43-44页 |
| 第五章 总结与展望 | 第44-46页 |
| 参考文献 | 第46-50页 |
| 致谢 | 第50页 |
