| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第13-21页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 文本分类的研究现状 | 第15-16页 |
| 1.2.2 微博用户职业抽取 | 第16-17页 |
| 1.2.3 研究现状总结 | 第17-18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 第2章 相关技术与工作 | 第21-35页 |
| 2.1 文本分类 | 第21-23页 |
| 2.1.1 文本分类概述 | 第21页 |
| 2.1.2 文本分类流程 | 第21-23页 |
| 2.2 文本处理技术 | 第23-27页 |
| 2.2.1 文本预处理 | 第23页 |
| 2.2.2 特征选择 | 第23-25页 |
| 2.2.3 文本表示 | 第25-27页 |
| 2.3 经典的文本分类算法 | 第27-29页 |
| 2.3.1 逻辑回归 | 第27-28页 |
| 2.3.2 支持向量机 | 第28-29页 |
| 2.3.3 随机森林 | 第29页 |
| 2.4 多层神经网络 | 第29-34页 |
| 2.4.1 卷积神经网络 | 第30-31页 |
| 2.4.2 循环神经网络 | 第31-32页 |
| 2.4.3 FastText模型 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第3章 基于特征工程的微博用户职业抽取 | 第35-51页 |
| 3.1 引言 | 第35-36页 |
| 3.2 基于特征工程的微博用户职业抽取框架 | 第36-37页 |
| 3.3 语料处理 | 第37-38页 |
| 3.4 特征提取 | 第38-41页 |
| 3.4.1 数字特征 | 第38-39页 |
| 3.4.2 语义特征 | 第39-41页 |
| 3.5 职业词典生成算法 | 第41-44页 |
| 3.6 实验结果及分析 | 第44-49页 |
| 3.6.1 实验设置 | 第44页 |
| 3.6.2 不同特征集的分类 | 第44-48页 |
| 3.6.3 基于词典抽取职业 | 第48-49页 |
| 3.7 本章小结 | 第49-51页 |
| 第4章 基于多层神经网络的微博用户职业抽取 | 第51-69页 |
| 4.1 引言 | 第51页 |
| 4.2 多层神经网络模型 | 第51-54页 |
| 4.2.1 多层感知器 | 第52页 |
| 4.2.2 卷积神经网络 | 第52-53页 |
| 4.2.3 长短时记忆网络 | 第53-54页 |
| 4.2.4 FastText模型 | 第54页 |
| 4.3 多层神经网络模型在微博用户职业抽取中的应用 | 第54-60页 |
| 4.3.1 基于Keras的微博用户职业抽取 | 第54-57页 |
| 4.3.2 基于FastText的微博用户职业抽取 | 第57-60页 |
| 4.4 实验结果及分析 | 第60-67页 |
| 4.4.1 基于Keras的微博用户职业抽取实验结果 | 第60-62页 |
| 4.4.2 去噪算法实验结果 | 第62-64页 |
| 4.4.3 基于FastText的微博用户职业抽取实验结果 | 第64-65页 |
| 4.4.4 实验结果分析 | 第65-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第5章 总结和展望 | 第69-71页 |
| 5.1 论文总结 | 第69页 |
| 5.2 未来工作 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 在读期间发表的学术论文与取得的研究成果 | 第76页 |
