基于深度学习的中文标点符号审校算法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 论文的研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 深度学习研究现状 | 第12-13页 |
| 1.2.2 标点符号审校研究现状 | 第13-14页 |
| 1.3 本文的研究内容及结构安排 | 第14-15页 |
| 1.4 本章小结 | 第15-16页 |
| 第2章 相关技术研究 | 第16-29页 |
| 2.1 中文分词技术 | 第16页 |
| 2.2 词向量 | 第16-18页 |
| 2.3 深度学习模型原理 | 第18-26页 |
| 2.3.1 传统神经网络简介 | 第18-21页 |
| 2.3.2 卷积神经网络简介 | 第21-22页 |
| 2.3.3 循环神经网络简介 | 第22-24页 |
| 2.3.4 LSTM简介 | 第24-26页 |
| 2.4 L2正则化与Dropout | 第26-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 基于LSTM-CNN的标点符号分类模型 | 第29-53页 |
| 3.1 数据集与问题表述 | 第29-31页 |
| 3.2 评价指标 | 第31-32页 |
| 3.3 模型整体框架 | 第32-33页 |
| 3.4 模型分层简介 | 第33-36页 |
| 3.4.1 输入层 | 第33页 |
| 3.4.2 LSTM层 | 第33-34页 |
| 3.4.3 CNN层 | 第34-36页 |
| 3.4.4 全连接层与输出层 | 第36页 |
| 3.5 损失函数与优化器 | 第36-37页 |
| 3.6 模型参数对比实验 | 第37-47页 |
| 3.6.1 学习率对比实验 | 第37-38页 |
| 3.6.2 词向量维度对比实验 | 第38-40页 |
| 3.6.3 batch-size对比实验 | 第40-41页 |
| 3.6.4 LSTM层数对比实验 | 第41-42页 |
| 3.6.5 激活函数对比实验 | 第42-45页 |
| 3.6.6 Dropout对比实验 | 第45-47页 |
| 3.7 LSTM-CNN模型与机器学习方法对比 | 第47-52页 |
| 3.7.1 K最近邻算法 | 第47-48页 |
| 3.7.2 支持向量机算法 | 第48-50页 |
| 3.7.3 朴素贝叶斯算法 | 第50-51页 |
| 3.7.4 LSTM-CNN与经典方法对比 | 第51-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第4章 基于注意力机制的LSTM-CNN分类模型 | 第53-59页 |
| 4.1 注意力机制简介 | 第53-55页 |
| 4.2 基于注意力机制的LSTM-CNN模型结构 | 第55-56页 |
| 4.3 注意力机制实验结果与分析 | 第56-58页 |
| 4.4 基于上下文信息的标点符号分类实验 | 第58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 本文工作总结 | 第59页 |
| 未来工作展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第67页 |
