基于LSTM模型的中文图书分类研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 1 绪论 | 第15-21页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 相关研究发展概况 | 第16-18页 |
| 1.2.1 文本分类研究现状 | 第16-17页 |
| 1.2.2 中文图书分类研究现状 | 第17-18页 |
| 1.3 论文研究内容 | 第18-19页 |
| 1.4 论文组织结构 | 第19-21页 |
| 2 文本分类相关综述 | 第21-29页 |
| 2.1 文本分类概述 | 第21-22页 |
| 2.2 文本分类相关技术 | 第22-28页 |
| 2.2.1 文本表示 | 第22-23页 |
| 2.2.2 特征选择 | 第23-24页 |
| 2.2.3 特征权重计算 | 第24-25页 |
| 2.2.4 文本分类方法 | 第25-27页 |
| 2.2.5 性能评测 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 3 LSTM模型 | 第29-51页 |
| 3.1 LSTM模型的背景简介 | 第29-34页 |
| 3.1.1 深度学习 | 第29-30页 |
| 3.1.2 RNN模型 | 第30-34页 |
| 3.1.3 RNN模型与LSTM模型的关系 | 第34页 |
| 3.2 LSTM模型的原理 | 第34-37页 |
| 3.2.1 LSTM模型的基本结构 | 第34-35页 |
| 3.2.2 LSTM模型的相关计算 | 第35-37页 |
| 3.2.3 LSTM模型的优点 | 第37页 |
| 3.3 LSTM模型的变体与发展 | 第37-41页 |
| 3.3.1 窥视孔连接的LSTM模型 | 第37-38页 |
| 3.3.2 双向的LSTM模型 | 第38-39页 |
| 3.3.3 批标准化的LSTM模型 | 第39-41页 |
| 3.3.4 其它LSTM模型 | 第41页 |
| 3.4 实验模型设计 | 第41-47页 |
| 3.4.1 实验模型整体架构 | 第41-42页 |
| 3.4.2 输入层 | 第42页 |
| 3.4.3 Embedding层 | 第42-43页 |
| 3.4.4 LSTM层 | 第43页 |
| 3.4.5 Softmax层 | 第43-47页 |
| 3.4.6 输出层 | 第47页 |
| 3.5 深度学习框架TensorFlow | 第47-49页 |
| 3.5.1 TensorFlow框架简介 | 第47页 |
| 3.5.2 主流深度学习框架比较 | 第47-49页 |
| 3.5.3 TensorFlow的优势 | 第49页 |
| 3.6 本章小结 | 第49-51页 |
| 4 基于LSTM模型的中文图书分类 | 第51-72页 |
| 4.1 实验环境 | 第51页 |
| 4.2 实验数据 | 第51-52页 |
| 4.3 粗粒度图书单分类 | 第52-59页 |
| 4.3.1 数据选取与预处理 | 第52-53页 |
| 4.3.2 探索字段选择对分类的影响 | 第53-55页 |
| 4.3.3 探索模型双向性对分类的影响 | 第55-56页 |
| 4.3.4 探索模型层数对分类的影响 | 第56-57页 |
| 4.3.5 探索标准化算法对分类的影响 | 第57-58页 |
| 4.3.6 粗粒度图书单分类实验小结 | 第58-59页 |
| 4.4 细粒度图书单分类 | 第59-63页 |
| 4.4.1 数据选取与预处理 | 第59-60页 |
| 4.4.2 探索直接分类的效果 | 第60-61页 |
| 4.4.3 探索逐层分类的效果 | 第61-63页 |
| 4.4.4 细粒度图书单分类实验小结 | 第63页 |
| 4.5 粗粒度图书多分类 | 第63-67页 |
| 4.5.1 数据选取与预处理 | 第63-64页 |
| 4.5.2 探索多分类的效果 | 第64-66页 |
| 4.5.3 粗粒度图书多分类实验小结 | 第66-67页 |
| 4.6 与其它方法比较 | 第67-70页 |
| 4.6.1 比较对象的选择 | 第67页 |
| 4.6.2 系统构建比较 | 第67-69页 |
| 4.6.3 实验结果比较 | 第69-70页 |
| 4.7 本章小结 | 第70-72页 |
| 5 总结与展望 | 第72-75页 |
| 5.1 总结 | 第72页 |
| 5.2 主要贡献 | 第72-73页 |
| 5.3 研究不足及进一步研究方向 | 第73-75页 |
| 参考文献 | 第75-80页 |
| 致谢 | 第80-81页 |
