| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-22页 |
| 1.1 研究背景及意义 | 第10-14页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-14页 |
| 1.2 专利文本自动分类的国内外研究现状 | 第14-18页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15页 |
| 1.2.3 述评 | 第15-18页 |
| 1.3 研究方法 | 第18-20页 |
| 1.4 研究内容与框架 | 第20-21页 |
| 1.5 本章小结 | 第21-22页 |
| 2 专利文本自动分类理论基础 | 第22-36页 |
| 2.1 专利文本自动分类定义 | 第22-23页 |
| 2.2 专利文本自动分类框架 | 第23-35页 |
| 2.2.1 专利文本预处理 | 第24页 |
| 2.2.2 专利文本特征提取 | 第24-27页 |
| 2.2.3 专利文本表示 | 第27-29页 |
| 2.2.4 专利文本自动分类算法 | 第29-34页 |
| 2.2.5 专利分类效果评价 | 第34-35页 |
| 2.3 本章小结 | 第35-36页 |
| 3 深度学习理论基础 | 第36-46页 |
| 3.1 深度学习理论概述 | 第36-38页 |
| 3.2 深度学习算法 | 第38-44页 |
| 3.2.1 自动编码器 | 第38-39页 |
| 3.2.2 稀疏编码 | 第39-40页 |
| 3.2.3 限制玻尔兹曼机 | 第40-41页 |
| 3.2.4 深度置信网络 | 第41-42页 |
| 3.2.5 卷积神经网络 | 第42-44页 |
| 3.3 深度学习理论算法在文本处理中的应用 | 第44-45页 |
| 3.3.1 AE在文本处理中的应用 | 第44页 |
| 3.3.2 深度学习其它算法在文本处理中的应用 | 第44-45页 |
| 3.3.3 深度学习算法的选择 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 基于深度学习理论的专利文本自动分类方法的提出 | 第46-52页 |
| 4.1 基于DAE的专利文本特征降维 | 第46-49页 |
| 4.2 基于SVM的专利文本自动分类 | 第49-50页 |
| 4.3 基于深度学习理论的专利文本自动分类流程 | 第50-51页 |
| 4.4 本章小结 | 第51-52页 |
| 5 基于深度学习理论的专利文本自动分类实验设计与实现 | 第52-74页 |
| 5.1 专利文本自动分类系统集成框架 | 第52-55页 |
| 5.2 实验语料的选择 | 第55-57页 |
| 5.3 专利文本分词 | 第57-63页 |
| 5.4 专利文本特征选择 | 第63-65页 |
| 5.5 专利文本形式化表示 | 第65-67页 |
| 5.6 专利文本自动分类器的构建 | 第67-72页 |
| 5.6.1 专利文本自动分类经典实验 | 第67-68页 |
| 5.6.2 专利文本自动分类优化实验 | 第68-72页 |
| 5.7 专利文本自动分类评测 | 第72页 |
| 5.8 分类实验具体步骤 | 第72-73页 |
| 5.9 本章小结 | 第73-74页 |
| 6 专利文本自动分类实验结果分析 | 第74-82页 |
| 6.1 基于深度学习理论的分类方法的实验结果分析 | 第74-77页 |
| 6.2 与经典算法实验的比较分析 | 第77-81页 |
| 6.3 本章小结 | 第81-82页 |
| 7 论文总结与展望 | 第82-86页 |
| 7.1 论文总结 | 第82-84页 |
| 7.2 未来展望 | 第84-86页 |
| 参考文献 | 第86-91页 |
| 致谢 | 第91-92页 |
| 攻读硕士学位期间发表的论文和参与的课题 | 第92页 |