基于语义特征的文本分类算法研究
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.3.1 问题分析 | 第14页 |
| 1.3.2 研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第二章 文本分类技术概述 | 第16-30页 |
| 2.1 文本分类描述 | 第16-17页 |
| 2.2 文本表示模型 | 第17-23页 |
| 2.2.1 布尔模型 | 第17-18页 |
| 2.2.2 向量空间模型 | 第18页 |
| 2.2.3 LSI | 第18-19页 |
| 2.2.4 pLSI | 第19-21页 |
| 2.2.5 LDA | 第21-23页 |
| 2.3 常用文本分类器 | 第23-27页 |
| 2.3.1 朴素贝叶斯 | 第23-24页 |
| 2.3.2 K近邻 | 第24-25页 |
| 2.3.3 决策树 | 第25页 |
| 2.3.4 支撑向量机 | 第25-27页 |
| 2.4 评价方法 | 第27-28页 |
| 2.4.1 准确率和召回率 | 第27页 |
| 2.4.2 宏平均与微平均 | 第27-28页 |
| 2.4.3 F1值 | 第28页 |
| 2.5 本章小结 | 第28-30页 |
| 第三章 词向量训练 | 第30-48页 |
| 3.1 词向量的概念 | 第30页 |
| 3.2 词向量训练模型 | 第30-37页 |
| 3.2.1 神经网络语言模型 | 第30-32页 |
| 3.2.2 C&W模型 | 第32-33页 |
| 3.2.3 循环神经网络语言模型 | 第33-35页 |
| 3.2.4 Skip-gram和CBOW | 第35-37页 |
| 3.3 词向量训练模型的改进 | 第37-42页 |
| 3.3.1 问题分析 | 第38页 |
| 3.3.2 基于负采样的RNNLM | 第38-40页 |
| 3.3.3 文本与知识库结合训练词向量 | 第40-42页 |
| 3.4 词向量训练实验及结果分析 | 第42-46页 |
| 3.4.1 实验环境 | 第42页 |
| 3.4.2 词向量训练数据 | 第42页 |
| 3.4.3 词向量评测数据集 | 第42-43页 |
| 3.4.4 词向量训练实验 | 第43-44页 |
| 3.4.5 结果分析 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 基于词向量的文本分类 | 第48-60页 |
| 4.1 基于词向量的文本特征表示 | 第48-53页 |
| 4.1.1 Paragraph Vector | 第48-50页 |
| 4.1.2 卷积神经网络 | 第50-52页 |
| 4.1.3 Neg-RNNLM循环层向量 | 第52-53页 |
| 4.2 文本分类实验及结果分析 | 第53-57页 |
| 4.2.1 文本分类数据集 | 第53-54页 |
| 4.2.2 实验设计与实现 | 第54-56页 |
| 4.2.3 结果分析 | 第56-57页 |
| 4.3 本章小结 | 第57-60页 |
| 第五章 工作总结与展望 | 第60-62页 |
| 5.1 本文工作总结 | 第60-61页 |
| 5.2 后续工作展望 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |
