| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文的主要工作和贡献 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关理论基础及背景知识 | 第16-26页 |
| 2.1 深度学习相关知识 | 第16-21页 |
| 2.1.1 深度神经网络概述 | 第16-18页 |
| 2.1.2 几种典型的深度神经网络模型 | 第18-20页 |
| 2.1.3 深度神经网络的训练过程 | 第20-21页 |
| 2.2 统计语言模型介绍 | 第21-24页 |
| 2.2.1 统计语言模型概述 | 第21-22页 |
| 2.2.2 神经概率语言模型 | 第22-23页 |
| 2.2.3 循环神经网络语言模型 | 第23-24页 |
| 2.3 本章小结 | 第24-26页 |
| 第三章 文本分类过程及方法研究 | 第26-37页 |
| 3.1 文本分类的一般过程 | 第26-27页 |
| 3.2 词嵌入方法与Word2Vec模型 | 第27-30页 |
| 3.2.1 基于CBOW的词向量构造方法 | 第28-29页 |
| 3.2.2 基于Skip-gram的词向量构造方法 | 第29-30页 |
| 3.3 文本特征提取与表示方法 | 第30-33页 |
| 3.3.1 基于词袋模型的特征提取与表示方法 | 第31-32页 |
| 3.3.2 基于深度学习的特征提取与表示方法 | 第32页 |
| 3.3.3 Doc2Vec模型 | 第32-33页 |
| 3.4 文本分类模型 | 第33-36页 |
| 3.4.1 传统的文本分类器 | 第34-35页 |
| 3.4.2 FastText分类器 | 第35-36页 |
| 3.5 本章小结 | 第36-37页 |
| 第四章 基于AttentionBi-LSTM的文本分类方法研究 | 第37-55页 |
| 4.1 问题描述 | 第37-38页 |
| 4.2 基于LSTM和Bi-LSTM的文本特征提取和分类模型设计 | 第38-41页 |
| 4.3 Attention机制的思想 | 第41-44页 |
| 4.4 基于AttentionBi-LSTM的文本特征提取与分类模型设计 | 第44-47页 |
| 4.5 实验 | 第47-53页 |
| 4.5.1 实验环境 | 第47-48页 |
| 4.5.2 实验语料数据集 | 第48页 |
| 4.5.3 对比方法 | 第48-49页 |
| 4.5.4 实验细节 | 第49页 |
| 4.5.5 评价指标 | 第49-50页 |
| 4.5.6 实验结果与分析 | 第50-53页 |
| 4.6 本章小结 | 第53-55页 |
| 第五章 总结与展望 | 第55-58页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间取得的研究成果 | 第63-64页 |
| 致谢 | 第64-65页 |
| 答辩委员会对论文的评定意见 | 第65页 |
