| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 课题背景及意义 | 第10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 论文的研究目的及成果 | 第12-13页 |
| 1.4 论文结构 | 第13-14页 |
| 第二章 文本分类概述 | 第14-22页 |
| 2.1 文本表示 | 第14-17页 |
| 2.1.1 文本预处理 | 第14-16页 |
| 2.1.2 文本特征提取 | 第16-17页 |
| 2.2 文本分类方法 | 第17-19页 |
| 2.2.1 基于Rocchio的分类方法 | 第17页 |
| 2.2.2 基于朴素贝叶斯的分类方法 | 第17-18页 |
| 2.2.3 基于最近邻(KNN)的分类方法 | 第18-19页 |
| 2.2.4 基于支持向量机(SVM)的分类方法 | 第19页 |
| 2.3 文本分类的评价指标 | 第19-22页 |
| 2.3.1 基本指标 | 第19-21页 |
| 2.3.2 扩展指标 | 第21页 |
| 2.3.3 其他指标 | 第21-22页 |
| 第三章 深度神经网络概述 | 第22-28页 |
| 3.1 深度学习简介 | 第22-23页 |
| 3.2 人工神经网络模型 | 第23-25页 |
| 3.3 深度神经网络模型 | 第25-28页 |
| 第四章 基于字袋模型的音乐自动标注算法 | 第28-38页 |
| 4.1 基于字袋模型的特征提取方法 | 第28-31页 |
| 4.2 基于字袋模型的中文歌曲自动标注算法 | 第31页 |
| 4.3 实验 | 第31-38页 |
| 4.3.1 实验数据集 | 第31-33页 |
| 4.3.2 实验结果 | 第33-38页 |
| 第五章 基于深度神经网络模型的音乐自动标注算法 | 第38-48页 |
| 5.1 基于深度置信神经网络模型的音乐自动标注算法 | 第38-42页 |
| 5.1.1 网络结构 | 第38-40页 |
| 5.1.2 参数学习 | 第40-41页 |
| 5.1.3 实验结果 | 第41-42页 |
| 5.2 基于卷积神经网络模型的音乐自动标注算法 | 第42-48页 |
| 5.2.1 网络结构 | 第43-45页 |
| 5.2.2 参数学习 | 第45-47页 |
| 5.2.3 实验结果 | 第47-48页 |
| 第六章 基于混合语义特征的音乐自动标注算法 | 第48-54页 |
| 6.1 基于音频信息的音乐自动标注算法 | 第48-50页 |
| 6.2 基于混合语义特征的音乐自动标注算法 | 第50-52页 |
| 6.3 实验 | 第52-54页 |
| 第七章 总结及展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-60页 |
| 攻读学位期间发表的学术论文目录 | 第60页 |