| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文主要工作和贡献 | 第10-11页 |
| 1.4 论文组织结构 | 第11-12页 |
| 第二章 深度学习理论及方法 | 第12-25页 |
| 2.1 深度学习基础理论 | 第12-15页 |
| 2.1.1 深层网络的特点 | 第12-14页 |
| 2.1.2 反向传播算法 | 第14-15页 |
| 2.2 循环神经网络 | 第15-17页 |
| 2.3 长短时记忆网络 | 第17-21页 |
| 2.3.1 长短时记忆网络标准模型 | 第17-20页 |
| 2.3.2 门控循环神经网络模型 | 第20-21页 |
| 2.4 自编码器 | 第21-23页 |
| 2.4.1 自编码器的标准模式 | 第21-22页 |
| 2.4.2 自编码器的学习算法 | 第22-23页 |
| 2.5 本章小结 | 第23-25页 |
| 第三章 舆情信息收集及词向量表示 | 第25-34页 |
| 3.1 舆情信息收集 | 第25-29页 |
| 3.1.1 网站收集 | 第25-28页 |
| 3.1.2 数据抓取 | 第28-29页 |
| 3.2 词向量表示模型 | 第29-33页 |
| 3.2.1 CBOW模型 | 第30-31页 |
| 3.2.2 CWE模型 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第四章 基于深度神经网络的语言模型设计 | 第34-49页 |
| 4.1 基于长短时记忆神经网络的语言模型设计 | 第34-43页 |
| 4.1.1 变型长短时记忆神经网络结构设计 | 第35-38页 |
| 4.1.2 双向长短时记忆循环网络结构设计 | 第38-40页 |
| 4.1.3 基于反向无关自编码的分类器层 | 第40-41页 |
| 4.1.4 双向变型长短时记忆神经网络语言模型设计 | 第41-43页 |
| 4.2 基于门控循环单元的语言模型设计 | 第43-47页 |
| 4.2.1 简化门控循环单元结构设计 | 第43-44页 |
| 4.2.2 深度简化门控循环单元结构设计 | 第44-45页 |
| 4.2.3 基于栈式自编码神经网络分类器 | 第45-46页 |
| 4.2.4 基于深度简化门控单元的语言模型设计 | 第46-47页 |
| 4.3 本章小结 | 第47-49页 |
| 第五章 实验与结果分析 | 第49-55页 |
| 5.1 实验设计 | 第49-50页 |
| 5.1.1 实验环境 | 第49页 |
| 5.1.2 实验数据 | 第49页 |
| 5.1.3 实验具体设计 | 第49-50页 |
| 5.2 实验结果和分析 | 第50-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第六章 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55-56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 作者在读期间科研成果简介 | 第61-62页 |
| 致谢 | 第62页 |