| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 论文研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 词表示 | 第11-13页 |
| 1.2.2 文本表示 | 第13-15页 |
| 1.2.3 文本分类模型 | 第15-17页 |
| 1.3 论文的主要研究内容 | 第17页 |
| 1.4 论文的创新点 | 第17-18页 |
| 1.5 论文的组织结构 | 第18-19页 |
| 第二章 文本分类相关理论与技术 | 第19-30页 |
| 2.1 分布式假说 | 第19页 |
| 2.2 深度学习模型 | 第19-22页 |
| 2.2.1 长短词记忆模型 | 第19-21页 |
| 2.2.2 卷积神经网络模型 | 第21-22页 |
| 2.3 语言模型和词向量学习模型 | 第22-25页 |
| 2.3.1 语言模型 | 第22-23页 |
| 2.3.2 词向量学习模型 | 第23-25页 |
| 2.4 分词技术和未登录词处理技术 | 第25-26页 |
| 2.4.1 中文分词 | 第25-26页 |
| 2.4.2 英文分词 | 第26页 |
| 2.4.3 未登录词处理技术 | 第26页 |
| 2.5 深度学习开源框架 | 第26-27页 |
| 2.6 经典分类模型 | 第27-29页 |
| 2.6.1 支持向量机 | 第27-28页 |
| 2.6.2 多项逻辑斯蒂回归 | 第28-29页 |
| 2.7 本章小结 | 第29-30页 |
| 第三章 基于文本语义和序列信息的通用文本表示模型 | 第30-37页 |
| 3.1 基于词向量的文本语义研究 | 第30-31页 |
| 3.2 文本序列信息含义和学习方法研究 | 第31-33页 |
| 3.2.1 文本序列信息含义研究 | 第31-32页 |
| 3.2.2 文本序列信息学习方法 | 第32-33页 |
| 3.3 通用文本表示模型研究 | 第33-36页 |
| 3.3.1 文本表示方法分析 | 第33-34页 |
| 3.3.2 多粒度文本学习 | 第34-35页 |
| 3.3.3 通用文本表示模型 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于通用文本表示模型的文本分类研究 | 第37-50页 |
| 4.1 句子分类模型 | 第37-44页 |
| 4.1.1 基于 LSTM 和 Word-Sum 的句子分类模型 | 第37-41页 |
| 4.1.2 基于 CNN 和 Word-Sum 的句子分类模型 | 第41-44页 |
| 4.2 文档分类模型 | 第44-49页 |
| 4.2.1 句子类别假设 | 第44页 |
| 4.2.2 独立双层文档分类模型 | 第44-48页 |
| 4.2.3 独立递增表示和预测模型 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 实验与分析 | 第50-66页 |
| 5.1 实验环境 | 第50页 |
| 5.2 实验数据 | 第50-52页 |
| 5.2.1 词向量实验数据 | 第50页 |
| 5.2.2 文本分类实验数据 | 第50-52页 |
| 5.3 实验内容 | 第52-56页 |
| 5.3.1 词向量实验 | 第52-53页 |
| 5.3.2 文本分类实验 | 第53-56页 |
| 5.4 实验结果与分析 | 第56-65页 |
| 5.4.1 词向量实验结果与分析 | 第56-60页 |
| 5.4.2 文本分类实验结果与分析 | 第60-65页 |
| 5.5 本章小结 | 第65-66页 |
| 第六章 结论与展望 | 第66-68页 |
| 6.1 结论 | 第66-67页 |
| 6.2 未来工作 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士学位期间取得的成果 | 第73页 |