| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 组织结构 | 第13-14页 |
| 1.5 本章小结 | 第14-16页 |
| 第2章 相关理论与技术 | 第16-26页 |
| 2.1 文本分类概述 | 第16页 |
| 2.2 文本预处理 | 第16-18页 |
| 2.2.1 分词方法 | 第16-17页 |
| 2.2.2 常用分词工具 | 第17-18页 |
| 2.2.3 停用词过滤 | 第18页 |
| 2.3 文本表示 | 第18-21页 |
| 2.3.1 布尔模型 | 第18-19页 |
| 2.3.2 向量空间模型 | 第19-20页 |
| 2.3.3 潜在语义索引 | 第20-21页 |
| 2.4 文本分类算法 | 第21-23页 |
| 2.5 文本分类性能评估 | 第23-25页 |
| 2.5.1 评价方法 | 第23页 |
| 2.5.2 评价标准 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于word2vec的文本表示 | 第26-42页 |
| 3.1 word2vec模型介绍 | 第26-29页 |
| 3.1.1 神经网络语言模型 | 第26-27页 |
| 3.1.2 word2vec训练模型 | 第27-29页 |
| 3.1.3 word2vec训练效果 | 第29页 |
| 3.2 改进的TF-IDF加权word2vec的单文本表示模型(CD_STR) | 第29-31页 |
| 3.2.1 加权 | 第29页 |
| 3.2.2 A_word2vec | 第29-30页 |
| 3.2.3 T_word2vec | 第30页 |
| 3.2.4 CD_STR模型的思想 | 第30-31页 |
| 3.2.5 CD_STR模型的主要步骤 | 第31页 |
| 3.3 融合多种模型的文本表示模型(CD_MTR) | 第31-32页 |
| 3.3.1 基于随机森林的特征重要度 | 第31页 |
| 3.3.2 CD_MTR模型的思想 | 第31-32页 |
| 3.4 实验数据集及word2vec模型的相关参数设置 | 第32-33页 |
| 3.4.1 实验数据集 | 第32-33页 |
| 3.4.2 word2vec模型参数设置 | 第33页 |
| 3.5 CD_MTR模型性能测试和分析 | 第33-41页 |
| 3.5.1 文本表示模型维度对分类效果的影响 | 第33-37页 |
| 3.5.2 单文本表示模型维度对CD_MTR模型效果的影响 | 第37-40页 |
| 3.5.3 不同分类方法对比及分析 | 第40-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第4章 基于CD_MTR和卷积神经网络的文本分类 | 第42-54页 |
| 4.1 卷积神经网络概述 | 第42-43页 |
| 4.2 卷积神经网络模型结构 | 第43-46页 |
| 4.2.1 卷积层 | 第43-45页 |
| 4.2.2 池化层 | 第45-46页 |
| 4.2.3 全连接层 | 第46页 |
| 4.3 基于卷积神经网络模型的文本分类改进方法 | 第46-47页 |
| 4.3.1 卷积神经网络模型的结构改进(MCNN) | 第46-47页 |
| 4.3.2 CD_MTR结合卷积神经网络的文本表示方法(MTR_MCNN) | 第47页 |
| 4.4 实验设计 | 第47-48页 |
| 4.5 实验结果及分析 | 第48-53页 |
| 4.5.1 卷积神经网络模型的训练 | 第48-49页 |
| 4.5.2 卷积神经网的epoch次数对分类效果的影响 | 第49-51页 |
| 4.5.3 十折交叉结果 | 第51-52页 |
| 4.5.4 不同分类方法对比及分析 | 第52-53页 |
| 4.6 本章小结 | 第53-54页 |
| 第5章 总结及展望 | 第54-56页 |
| 5.1 总结 | 第54-55页 |
| 5.2 展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60-62页 |
| 攻读硕士期间发表论文及科研工作 | 第62页 |
