基于粒计算模型和卷积神经网络模型的短文本分类研究
| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 文本特征表示现状 | 第10-12页 |
| 1.2.2 文本分类的现状 | 第12页 |
| 1.2.3 深度学习的现状 | 第12-14页 |
| 1.3 论文的研究内容 | 第14-15页 |
| 1.4 论文的结构安排 | 第15-16页 |
| 第二章 相关基本理论介绍 | 第16-30页 |
| 2.1 中文分词方法 | 第16-18页 |
| 2.2 文本表示方法 | 第18-22页 |
| 2.2.1 文本特征表示现状 | 第18页 |
| 2.2.2 向量空间模型 | 第18-20页 |
| 2.2.3 主题模型 | 第20页 |
| 2.2.4 word embedding | 第20-22页 |
| 2.3 常见的特征选择方法 | 第22-25页 |
| 2.3.1 信息增益 | 第23页 |
| 2.3.2 期望交叉熵 | 第23页 |
| 2.3.3 互信息 | 第23-24页 |
| 2.3.4 卡方统计量(CHI) | 第24-25页 |
| 2.4 经典文本分类算法 | 第25-29页 |
| 2.4.1 支持向量机 | 第25-27页 |
| 2.4.2 逻辑回归 | 第27-28页 |
| 2.4.3 随机森林 | 第28页 |
| 2.4.4 基于卷积神经网络的分类算法 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 文本预处理及特征提取方法研究 | 第30-38页 |
| 3.1 文本分类的流程 | 第30页 |
| 3.2 数据预处理 | 第30-31页 |
| 3.3 分词和去停用词 | 第31页 |
| 3.4 文本特征提取 | 第31-32页 |
| 3.5 Skip-Gram模型实验环境配置 | 第32-33页 |
| 3.6 Skip-Gram模型参数设置 | 第33页 |
| 3.7 基于粒计算模型的文本特征扩展 | 第33-37页 |
| 3.8 本章小结 | 第37-38页 |
| 第四章 卷积神经网络模型用于文本分类任务的研究 | 第38-49页 |
| 4.1 卷积神经网络模型的结构设计 | 第38-42页 |
| 4.1.1 输入层 | 第39-40页 |
| 4.1.2 卷积层 | 第40-41页 |
| 4.1.3 随机池化层 | 第41页 |
| 4.1.4 全连接层和Softmax层 | 第41-42页 |
| 4.2 卷积神经网络模型的参数及训练 | 第42-43页 |
| 4.2.1 优化算法 | 第42页 |
| 4.2.2 损失函数与正则化 | 第42-43页 |
| 4.2.3 参数的选定与学习 | 第43页 |
| 4.2.4 模型可靠性评估 | 第43页 |
| 4.3 实验 | 第43-48页 |
| 4.3.1 实验环境 | 第43-44页 |
| 4.3.2 实验数据集 | 第44页 |
| 4.3.3 实验设计 | 第44页 |
| 4.3.4 实验结果 | 第44-47页 |
| 4.3.5 实验结果分析 | 第47-48页 |
| 4.4 本章总结 | 第48-49页 |
| 第五章 总结与展望 | 第49-51页 |
| 5.1 本文总结 | 第49页 |
| 5.2 下一步的工作思路 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-57页 |
| 攻读硕士期间已经发表的论文 | 第57页 |
| 攻读硕士期间参加的科研项目 | 第57页 |
