基于深度学习的中文新闻文本分类的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 本文工作 | 第13页 |
| 1.4 本文的组织结构 | 第13-15页 |
| 第2章 相关理论 | 第15-25页 |
| 2.1 文本分类技术 | 第15-20页 |
| 2.1.1 文本分类流程 | 第15-17页 |
| 2.1.2 传统的文本分类器 | 第17-20页 |
| 2.2 深度学习 | 第20-23页 |
| 2.2.1 卷积神经网络 | 第20-21页 |
| 2.2.2 循环神经网络 | 第21-23页 |
| 2.3 本章小结 | 第23-25页 |
| 第3章 文本表示 | 第25-34页 |
| 3.1 文本表示概述 | 第25页 |
| 3.2 传统的文本表示 | 第25-28页 |
| 3.2.1 布尔模型 | 第25-26页 |
| 3.2.2 词袋模型 | 第26页 |
| 3.2.3 向量空间模型 | 第26-28页 |
| 3.2.4 LDA主题模型 | 第28页 |
| 3.3 基于神经网络的分布式文本表示 | 第28-33页 |
| 3.3.1 词嵌入模型 | 第28-30页 |
| 3.3.2 word2vec | 第30-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 自然语言处理中的深度学习模型 | 第34-46页 |
| 4.1 自然语言处理中的CNN模型和LSTM模型 | 第34-37页 |
| 4.1.1 CNN文本分类模型 | 第34-35页 |
| 4.1.2 LSTM文本分类模型 | 第35-37页 |
| 4.2 基于注意力机制的CNN模型和LSTM模型 | 第37-44页 |
| 4.2.1 注意力机制 | 第37-40页 |
| 4.2.2 CNN-Attention模型 | 第40-42页 |
| 4.2.3 LSTM-Attention模型 | 第42-44页 |
| 4.2.4 模型训练 | 第44页 |
| 4.3 本章小结 | 第44-46页 |
| 第5章 实验 | 第46-52页 |
| 5.1 实验准备 | 第46-48页 |
| 5.2 实验设计 | 第48-49页 |
| 5.3 实验结果分析 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 第6章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 展望 | 第53-54页 |
| 参考文献 | 第54-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士学位期间的科研成果 | 第59页 |
