基于深度学习的文本分类技术的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 引言 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-15页 |
| 1.2.1 文本表示 | 第11-12页 |
| 1.2.2 文本分类 | 第12-13页 |
| 1.2.3 深度学习 | 第13-14页 |
| 1.2.4 现状分析 | 第14-15页 |
| 1.3 本文主要工作 | 第15-16页 |
| 1.3.1 基于L-STM模型的情感分类 | 第15页 |
| 1.3.2 基于深度学习混合模型的文本分类设计 | 第15-16页 |
| 1.4 论文组织结构 | 第16-17页 |
| 第二章 相关研究 | 第17-28页 |
| 2.1 文本表示研究 | 第17-20页 |
| 2.1.1 布尔逻辑模型 | 第17页 |
| 2.1.2 One-hot | 第17-18页 |
| 2.1.3 向量空间模型 | 第18-19页 |
| 2.1.4 word embedding | 第19-20页 |
| 2.2 文本分类研究 | 第20-22页 |
| 2.2.1 经典文本分类方法 | 第20-21页 |
| 2.2.2 文本分类性能指标 | 第21-22页 |
| 2.3 深度学习 | 第22-27页 |
| 2.3.1 深度学习常用学习模型 | 第22-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于L-STM模型的情感分类技术的研究 | 第28-36页 |
| 3.1 整体架构 | 第28-29页 |
| 3.2 数据转换 | 第29页 |
| 3.3 L-STM模型算法描述 | 第29-31页 |
| 3.4 实验及结果分析 | 第31-35页 |
| 3.4.1 实验设计 | 第31页 |
| 3.4.2 实验环境 | 第31页 |
| 3.4.3 实验数据 | 第31-32页 |
| 3.4.4 Word2vec参数调整 | 第32-34页 |
| 3.4.5 实验结果及分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于深度学习混合模型的文本分类设计 | 第36-47页 |
| 4.1 问题描述 | 第36页 |
| 4.2 S-DBN混合模型的设计 | 第36-37页 |
| 4.3 文本分类器的设计 | 第37-44页 |
| 4.3.1 文本预处理模块 | 第38页 |
| 4.3.2 特征提取模块 | 第38-43页 |
| 4.3.3 分类识别模块 | 第43-44页 |
| 4.4 实验结果与分析 | 第44-46页 |
| 4.4.1 实验设计 | 第44页 |
| 4.4.2 实验环境 | 第44页 |
| 4.4.3 实验对比 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 混合分类器的系统实现 | 第47-57页 |
| 5.1 应用背景 | 第47-48页 |
| 5.2 系统设计 | 第48-49页 |
| 5.2.1 系统的功能设计 | 第48-49页 |
| 5.2.2 系统数据集 | 第49页 |
| 5.3 系统实现与展示 | 第49-56页 |
| 5.3.1 系统的功能介绍 | 第49-50页 |
| 5.3.2 系统展示 | 第50-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 在学期间的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
