| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 课题主要内容 | 第12-13页 |
| 1.4 本论文的结构安排 | 第13-15页 |
| 第二章 相关技术研究 | 第15-29页 |
| 2.1 文本表示方法 | 第15-17页 |
| 2.1.1 基于词的文本表示方法 | 第15-17页 |
| 2.1.2 基于字的文本表示方法 | 第17页 |
| 2.2 词向量训练模型 | 第17-21页 |
| 2.2.1 神经网络语言模型 | 第17-19页 |
| 2.2.2 word2vec | 第19-21页 |
| 2.3 基于神经网络的短文本分类方法 | 第21-26页 |
| 2.3.1 卷积神经网络 | 第22-24页 |
| 2.3.2 循环神经网络 | 第24-26页 |
| 2.4 AttentionModel | 第26-27页 |
| 2.5 本章小结 | 第27-29页 |
| 第三章 部首信息增强的中文文本表示方法 | 第29-44页 |
| 3.1 汉字偏旁部首的语义信息 | 第29-30页 |
| 3.2 中文文本表示方法 | 第30-31页 |
| 3.3 部首信息增强的CBOW中文词向量训练模型 | 第31-35页 |
| 3.3.1 文本预处理 | 第31-33页 |
| 3.3.2 部首信息增强的中文词向量模型 | 第33-35页 |
| 3.4 部首信息增强的CBOW中文字向量模型 | 第35-37页 |
| 3.5 实验及其结果分析 | 第37-43页 |
| 3.5.1 部首信息增强的中文词向量模型实验对比 | 第37-41页 |
| 3.5.2 部首信息增强的中文字向量模型实验对比 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 ATTENTION-BASED字词结合卷积循环中文短文本分类模型 | 第44-56页 |
| 4.1 卷积循环神经特征提取网络 | 第44-47页 |
| 4.1.1 卷积循环神经网络整体结构 | 第44-45页 |
| 4.1.2 卷积网络层 | 第45-46页 |
| 4.1.3 循环网络层 | 第46-47页 |
| 4.2 Attention-Based字词结合卷积循环中文短文本分类网络 | 第47-49页 |
| 4.2.1 Attention-Based卷积循环特征提取网络 | 第47-48页 |
| 4.2.2 双通道字词结合短文本分类模型 | 第48-49页 |
| 4.3 实验及其结果分析 | 第49-55页 |
| 4.3.1 实验语料数据 | 第50页 |
| 4.3.2 实验环境及相关工具 | 第50-51页 |
| 4.3.3 分类模型评价方法 | 第51-52页 |
| 4.3.4 对比实验设计 | 第52-53页 |
| 4.3.5 对比实验结果和分析 | 第53-54页 |
| 4.3.6 模型分析 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 短文本分类系统设计和实现 | 第56-75页 |
| 5.1 系统总体概述 | 第56-57页 |
| 5.2 系统各模块的设计和实现 | 第57-71页 |
| 5.2.1 网络爬虫 | 第57-60页 |
| 5.2.2 队列管理 | 第60-61页 |
| 5.2.3 语料数据存储 | 第61-62页 |
| 5.2.4 字/词向量训练 | 第62-66页 |
| 5.2.5 模型训练 | 第66-69页 |
| 5.2.6 分类服务 | 第69-70页 |
| 5.2.7 日志记录 | 第70-71页 |
| 5.3 系统测试与分析 | 第71-74页 |
| 5.3.1 新闻标题语料搜集 | 第71页 |
| 5.3.2 汉字信息库 | 第71-72页 |
| 5.3.3 语料测试结果 | 第72-73页 |
| 5.3.4 系统效果与计算效率 | 第73-74页 |
| 5.4 本章小结 | 第74-75页 |
| 第六章 全文总结与展望 | 第75-77页 |
| 6.1 全文总结 | 第75-76页 |
| 6.2 后续工作展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |
