| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 文本分类问题简述 | 第14-15页 |
| 1.2 研究背景 | 第15-17页 |
| 1.3 研究内容与方法 | 第17页 |
| 1.4 本文结构 | 第17-20页 |
| 第二章 文本分类算法 | 第20-30页 |
| 2.1 基于统计的文本分类算法 | 第20-22页 |
| 2.1.1 TF-IDF | 第20-21页 |
| 2.1.2 BM25 Okapi | 第21页 |
| 2.1.3 朴素贝叶斯进行文本分类 | 第21-22页 |
| 2.2 基于语义相似度的文本分类算法 | 第22-24页 |
| 2.2.1 概率隐语义分析PLSA | 第22-23页 |
| 2.2.2 从PLSA到LDA | 第23-24页 |
| 2.3 基于深度学习的文本分类算法 | 第24-28页 |
| 2.3.1 卷积神经网络 | 第25-26页 |
| 2.3.2 循环神经网络 | 第26-27页 |
| 2.3.3 循环卷积神经网络 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 第三章 基于主题多样性分布的文本概率模型 | 第30-38页 |
| 3.1 词向量简介 | 第30-34页 |
| 3.2 主题多样性分布 | 第34-35页 |
| 3.3 不同主题权值系数下的的文本概率模型 | 第35-36页 |
| 3.4 本章小结 | 第36-38页 |
| 第四章 基于统计流形学习的概率模型度量 | 第38-50页 |
| 4.1 散度距离 | 第38-40页 |
| 4.1.1 K-L散度 | 第38-39页 |
| 4.1.2 J-S散度 | 第39页 |
| 4.1.3 f散度 | 第39-40页 |
| 4.1.4 散度距离的讨论 | 第40页 |
| 4.2 沃瑟斯坦度量 | 第40-41页 |
| 4.2.1 沃瑟斯坦度量的讨论 | 第40-41页 |
| 4.3 L~p空间距离 | 第41-42页 |
| 4.3.1 文本概率模型上的L_1距离和L_2距离 | 第41-42页 |
| 4.4 统计流形学习框架下的文本概率模型度量 | 第42-46页 |
| 4.4.1 统计流形学习 | 第42-45页 |
| 4.4.2 文本概率模型上的统计流形度量方法 | 第45-46页 |
| 4.5 本章小结 | 第46-50页 |
| 第五章 实验分析 | 第50-60页 |
| 5.1 文本分类实验 | 第50-55页 |
| 5.1.1 分类实验数据集简介 | 第50-51页 |
| 5.1.2 词向量训练使用语料库简介 | 第51页 |
| 5.1.3 文本分类实验所用对比算法 | 第51-52页 |
| 5.1.4 word2vec训练参数分析与设置 | 第52页 |
| 5.1.5 TCSM主题数量K分析与设置 | 第52-53页 |
| 5.1.6 文本分类实验结果与分析 | 第53-55页 |
| 5.2 主题分布多样性观察实验 | 第55-57页 |
| 5.2.1 主题分布多样性观察实验结果与分析 | 第55-57页 |
| 5.3 文本摘要抽取实验 | 第57-58页 |
| 5.3.1 文本摘要抽取实验所用数据集 | 第57页 |
| 5.3.2 文本摘要抽取实验所用对比算法 | 第57-58页 |
| 5.3.3 文本摘要抽取实验结果与分析 | 第58页 |
| 5.4 本章小结 | 第58-60页 |
| 第六章 总结与展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 后续工作 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 在读期间发表的学术论文与取得的研究成果 | 第68页 |