| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第9-15页 |
| 1.1 课题背景及意义 | 第9-10页 |
| 1.1.1 概述 | 第9-10页 |
| 1.1.2 企业技术问题的知识管理 | 第10页 |
| 1.2 设备质量管理语料库 | 第10-11页 |
| 1.3 短文本分类的国内外研究现状 | 第11页 |
| 1.4 本文的研究内容和创新性工作 | 第11-13页 |
| 1.5 论文的篇章结构 | 第13-15页 |
| 2 相关理论及技术 | 第15-24页 |
| 2.1 机器学习 | 第15-16页 |
| 2.2 自然语言处理 | 第16页 |
| 2.3 语言模型 | 第16-17页 |
| 2.3.1 词袋模型 | 第16页 |
| 2.3.2 N-gram模型 | 第16-17页 |
| 2.4 人工神经网络 | 第17-20页 |
| 2.4.1 神经网络 | 第17-18页 |
| 2.4.2 深度学习 | 第18-19页 |
| 2.4.3 卷积神经网络 | 第19-20页 |
| 2.5 分词技术 | 第20-22页 |
| 2.5.1 基于词典的分词方法 | 第21页 |
| 2.5.2 基于字token的统计分词方法 | 第21-22页 |
| 2.6 基于正则表达式技术的语料管理 | 第22-24页 |
| 3 设备质量管理短文本分类过程 | 第24-49页 |
| 3.1 本项目语料库的预处理过程 | 第24-25页 |
| 3.2 短文本的停用词预处理 | 第25-26页 |
| 3.2.1 第一类停用词 | 第25页 |
| 3.2.2 第二类停用词 | 第25-26页 |
| 3.3 特定领域内的新词抽取和分词 | 第26-29页 |
| 3.3.1 领域内新词 | 第26-27页 |
| 3.3.2 新词抽取技术 | 第27-28页 |
| 3.3.3 设备专有领域的分词 | 第28-29页 |
| 3.4 领域文本特征工程 | 第29-32页 |
| 3.4.1 概述 | 第29-30页 |
| 3.4.2 本项目特征工程 | 第30-32页 |
| 3.5 基于机器学习的事件短文本分类 | 第32-49页 |
| 3.5.1 算法实验及环境 | 第33-34页 |
| 3.5.2 Labeled主题模型算法 | 第34-42页 |
| 3.5.3 基于支持向量机(SVMs)短文本分类方法 | 第42-45页 |
| 3.5.4 卷积神经网络的方法 | 第45-49页 |
| 4 核电项目设备问题项管理系统 | 第49-62页 |
| 4.1 背景介绍 | 第49-50页 |
| 4.2 设备问题项处理信息系统的NLP开发 | 第50-51页 |
| 4.3 领域内新词(未登录词)抽取模块 | 第51-55页 |
| 4.3.1 模块设计与实现 | 第51-53页 |
| 4.3.2 实验结果和分析 | 第53-55页 |
| 4.4 基于CRF的分词模块 | 第55-58页 |
| 4.4.1 模块设计与实现 | 第55-56页 |
| 4.4.2 基于CRF的分词结果与分析 | 第56-58页 |
| 4.5 文本分类模块 | 第58-60页 |
| 4.5.1 文本分类算法的选择 | 第58-59页 |
| 4.5.2 模块设计和实现 | 第59-60页 |
| 4.6 系统功能验证 | 第60-62页 |
| 5 本短文本分类项目的应用展望 | 第62-64页 |
| 参考文献 | 第64-66页 |
| 致谢 | 第66-67页 |
| 攻读学位期间发表的学术论文目录 | 第67-69页 |