基于深度学习的垃圾评论识别研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文的研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第2章 相关技术概述 | 第16-29页 |
| 2.1 文本表示 | 第16-18页 |
| 2.1.1 布尔模型 | 第16页 |
| 2.1.2 向量空间模型 | 第16-17页 |
| 2.1.3 概率模型 | 第17-18页 |
| 2.2 短文本的特征提取方法 | 第18-20页 |
| 2.2.1 传统特征提取方法 | 第18页 |
| 2.2.2 分布式特征提取方法 | 第18-20页 |
| 2.3 人工神经网络 | 第20-23页 |
| 2.4 卷积神经网络 | 第23-27页 |
| 2.4.1 卷积层 | 第23-24页 |
| 2.4.2 池化层 | 第24-25页 |
| 2.4.3 训练过程 | 第25-27页 |
| 2.5 Tensorflow | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 基于卷积神经网络的文档表示模型 | 第29-37页 |
| 3.1 已有的句子表示模型 | 第29-31页 |
| 3.2 基于卷积神经网络的句子表示模型 | 第31-34页 |
| 3.2.1 输入层 | 第32页 |
| 3.2.2 卷积层 | 第32-33页 |
| 3.2.3 池化层 | 第33页 |
| 3.2.4 激活函数 | 第33-34页 |
| 3.2.5 dropout层 | 第34页 |
| 3.3 基于卷积神经网络的文档表示模型 | 第34-35页 |
| 3.4 卷积神经网络模型训练 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于改进激活函数的卷积神经网络 | 第37-47页 |
| 4.1 常见激活函数 | 第37-43页 |
| 4.1.1 饱和的非线性激活函数 | 第38-39页 |
| 4.1.2 不饱和的非线性激活函数 | 第39-43页 |
| 4.2 改进的激活函数 | 第43-46页 |
| 4.3 基于改进激活函数的卷积神经网络 | 第46页 |
| 4.4 本章小结 | 第46-47页 |
| 第5章 实验设计与结果分析 | 第47-58页 |
| 5.1 实验数据集 | 第47-48页 |
| 5.1.1 真实评论采集过程 | 第47页 |
| 5.1.2 虚假评论采集过程 | 第47-48页 |
| 5.2 实验环境 | 第48-49页 |
| 5.3 特征提取 | 第49-50页 |
| 5.4 实验结果及分析 | 第50-57页 |
| 5.4.1 Ott数据集实验结果及分析 | 第51-57页 |
| 5.4.2 Li数据集实验结果及分析 | 第57页 |
| 5.5 本章小结 | 第57-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58页 |
| 6.2 未来展望 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 作者简介及科研成果 | 第65-66页 |
| 致谢 | 第66页 |
