基于词分布的文本表示研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 课题背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 词的表示 | 第12-13页 |
| 1.2.2 文本表示模型 | 第13-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 组织结构 | 第15-17页 |
| 第二章 相关知识 | 第17-29页 |
| 2.1 词的表示 | 第17-22页 |
| 2.1.1 One-hot表示 | 第17-18页 |
| 2.1.2 基于矩阵的表示方法 | 第18页 |
| 2.1.3 基于聚类的表示方法 | 第18-19页 |
| 2.1.4 基于神经网络的表示方法 | 第19-22页 |
| 2.2 向量空间模型 | 第22-25页 |
| 2.2.1 模型原理 | 第22-23页 |
| 2.2.2 TF-IDF权重 | 第23-24页 |
| 2.2.3 相似度计算 | 第24-25页 |
| 2.3 线性回归、逻辑回归和Softmax回归 | 第25-28页 |
| 2.3.1 线性回归 | 第25-26页 |
| 2.3.2 逻辑回归 | 第26-27页 |
| 2.3.3 Softmax回归 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 利用词的分布式表示改进向量空间模型 | 第29-38页 |
| 3.1 引言 | 第29-30页 |
| 3.2 利用词的分布式表示进行词扩展 | 第30页 |
| 3.3 基于词扩展的文本相似度计算 | 第30-31页 |
| 3.4 实验设计与分析 | 第31-37页 |
| 3.4.1 实验数据 | 第31-32页 |
| 3.4.2 构造标准集 | 第32页 |
| 3.4.3 评价方法 | 第32-33页 |
| 3.4.4 词扩展数目选取 | 第33-34页 |
| 3.4.5 对比方法 | 第34-35页 |
| 3.4.6 结果与分析 | 第35-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于词扩展的文本主题偏移分析 | 第38-49页 |
| 4.1 引言 | 第38-39页 |
| 4.2 基于词扩展的文本主题偏移分析 | 第39-42页 |
| 4.2.1 中心向量法选取范文 | 第40页 |
| 4.2.2 文本集合的发散度 | 第40-42页 |
| 4.2.3 基于文本集合发散度动态选取偏移阈值 | 第42页 |
| 4.3 实验设计与分析 | 第42-48页 |
| 4.3.1 实验设置 | 第42-45页 |
| 4.3.2 评价方法 | 第45页 |
| 4.3.3 对比系统 | 第45-46页 |
| 4.3.4 结果与分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第五章 基于词分布的评论文本层次表示 | 第49-65页 |
| 5.1 引言 | 第49-50页 |
| 5.2 语义层次化相关工作 | 第50-51页 |
| 5.3 上下位关系矩阵 | 第51-52页 |
| 5.4 基于词分布的评论文本层次表示 | 第52-58页 |
| 5.4.1 通过种子词和关系矩阵挖掘属性词 | 第53-54页 |
| 5.4.2 利用知识库和词后缀构造层次关系 | 第54-57页 |
| 5.4.3 基于词分布式表示的混合模型 | 第57-58页 |
| 5.5 实验设计与分析 | 第58-62页 |
| 5.5.1 实验数据 | 第58-59页 |
| 5.5.2 参数设置 | 第59页 |
| 5.5.3 自动挖掘属性词结果 | 第59-60页 |
| 5.5.4 知识库和词后缀构造层次关系结果 | 第60-61页 |
| 5.5.5 单一模型VS.混合模型挖掘属性词关系 | 第61-62页 |
| 5.6 系统实现 | 第62-64页 |
| 5.7 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 本文工作总结 | 第65-66页 |
| 6.2 下一步工作展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间公开发表的论文 | 第73页 |
| 攻读硕士学位期间公开申请的专利 | 第73页 |
| 攻读硕士学位期间参与的科研项目 | 第73-74页 |
| 致谢 | 第74-75页 |
