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

基于卷积神经网络的新闻文本分类问题研究

摘要第3-4页
Abstract第4-5页
1 绪论第8-14页
    1.1 研究背景与意义第8-9页
        1.1.1 研究背景第8页
        1.1.2 研究意义第8-9页
    1.2 国内外研究现状第9-12页
        1.2.1 深度学习研究现状第9-10页
        1.2.2 文本分类研究现状第10-11页
        1.2.3 深度学习在文本挖掘方面的研究第11-12页
    1.3 本文研究目的和内容安排第12-13页
    1.4 本章小结第13-14页
2 预备知识第14-28页
    2.1 中文分词方法第14-17页
        2.1.1 基于词典的中文分词算法第14-15页
        2.1.2 基于统计的分词算法第15页
        2.1.3 基于理解的分词算法第15页
        2.1.4 中文分词工具介绍第15-16页
        2.1.5 中文分词面临问题第16-17页
    2.2 文本特征提取算法第17-20页
        2.2.1 文本特征表示模型第17-18页
        2.2.2 文本特征选择方法第18-20页
    2.3 文本分类方法第20-21页
        2.3.1 k-近邻算法第20页
        2.3.2 朴素贝叶斯第20-21页
        2.3.3 支持向量机第21页
    2.4 深度学习模型第21-26页
        2.4.1 自动编码器第21-23页
        2.4.2 深信度网络第23-24页
        2.4.3 卷积神经网络第24-26页
    2.5 本章小结第26-28页
3 文本预处理和特征提取相关研究第28-36页
    3.1 中文文本分类总结第28页
    3.2 文本预处理第28-31页
        3.2.1 中文分词第29-30页
        3.2.2 去停用词以及简单扩充词典第30页
        3.2.3 分词结果第30-31页
    3.3 Word2vec特征提取方法第31-35页
        3.3.1 基于Skip-gram模型的特征表示第32-33页
        3.3.2 实验设置第33-34页
        3.3.3 实验结果第34-35页
    3.4 本章小结第35-36页
4 基于卷积神经网络模型的分类问题研究第36-52页
    4.1 卷积神经网络模型的设计第36-40页
        4.1.1 输入层第36-37页
        4.1.2 卷积层第37-39页
        4.1.3 池化层第39页
        4.1.4 全连接层第39-40页
    4.2 模型训练第40-43页
        4.2.1 激活函数第40-41页
        4.2.2 Dropout策略第41页
        4.2.3 参数优化第41-42页
        4.2.4 损失率和正确率第42-43页
    4.3 实验设置第43-47页
        4.3.1 实验环境及结果第43-46页
        4.3.2 对比实验第46-47页
    4.4 实验结果及分析第47-48页
    4.5 卷积神经网络可视化第48-49页
    4.6 本章小结第49-52页
5 总结与展望第52-54页
    5.1 主要研究结果第52页
    5.2 展望第52-54页
致谢第54-56页
参考文献第56-60页
攻读硕士学位期间发表的论文第60页
攻读硕士研究生期间所获奖励第60页

论文共60页,点击 下载论文
上一篇:基于智能家居的区域室内空气质量预测研究与实现
下一篇:基于DBN的改进深度学习模型及应用研究