基于深度学习的知乎标题的多标签文本分类
致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7页 |
1 绪论 | 第11-16页 |
1.1 研究背景和意义 | 第11-12页 |
1.2 国内外研究现状 | 第12-14页 |
1.2.1 文本分类现状 | 第12-13页 |
1.2.2 多标签文本分类相关研究 | 第13页 |
1.2.3 深度学习在自然语言处理中的应用 | 第13-14页 |
1.3 研究内容 | 第14页 |
1.4 论文结构安排 | 第14-16页 |
2 相关技术介绍 | 第16-34页 |
2.1 文本分类的概念 | 第16页 |
2.2 文本分类相关技术 | 第16-22页 |
2.2.1 文本预处理 | 第17-18页 |
2.2.2 特征提取 | 第18页 |
2.2.3 文本表示技术 | 第18-20页 |
2.2.4 文本分类算法 | 第20-22页 |
2.3 深度学习技术 | 第22-28页 |
2.3.1 深度学习概念 | 第22-23页 |
2.3.2 卷积神经网络 | 第23-25页 |
2.3.3 循环神经网络 | 第25-28页 |
2.4 深度学习模型的训练技术 | 第28-32页 |
2.4.1 反向传播 | 第28-29页 |
2.4.2 优化算法 | 第29-31页 |
2.4.3 正则化 | 第31-32页 |
2.4.4 性能评价方法 | 第32页 |
2.5 本章小结 | 第32-34页 |
3 需求分析和系统设计 | 第34-58页 |
3.1 背景介绍和设计需求 | 第34-36页 |
3.1.1 背景介绍 | 第34-35页 |
3.1.2 设计需求 | 第35页 |
3.1.3 整体设计 | 第35-36页 |
3.2 数据收集模块的实现 | 第36-39页 |
3.2.1 数据爬取过程中的关键问题及其解决方法 | 第37-38页 |
3.2.2 爬虫模块的设计 | 第38-39页 |
3.3 数据预处理模块的实现 | 第39-44页 |
3.3.1 数据清洗 | 第40-41页 |
3.3.2 文本分词 | 第41-43页 |
3.3.3 训练词向量 | 第43-44页 |
3.4 文本分类模块的实现 | 第44-55页 |
3.4.1 设计的可行性 | 第45-46页 |
3.4.2 输入数据预处理 | 第46-49页 |
3.4.3 基于CNN的分类模型 | 第49-51页 |
3.4.4 基于LSTM的分类模型 | 第51-53页 |
3.4.5 基于CNN和LSTM的混合模型 | 第53-55页 |
3.5 传统机器学习算法的实现 | 第55-57页 |
3.5.1 输入数据预处理 | 第55-56页 |
3.5.2 逻辑回归分类模型 | 第56-57页 |
3.5.3 ML-KNN模型 | 第57页 |
3.6 本章小节 | 第57-58页 |
4 实验环境和结果分析 | 第58-72页 |
4.1 实验环境搭建 | 第58-61页 |
4.1.1 计算机硬件配置 | 第58页 |
4.1.2 计算机软件环境 | 第58-59页 |
4.1.3 CUDA库和CUDNN库的安装 | 第59-61页 |
4.2 实验数据与统计分析 | 第61-65页 |
4.3 实验过程与结果分析 | 第65-71页 |
4.3.1 CNN模型的实验 | 第65-68页 |
4.3.2 LSTM模型的实验 | 第68-70页 |
4.3.3 CNN-LSTM混合模型的实验 | 第70-71页 |
4.4 实验结果对比 | 第71页 |
4.5 本章小结 | 第71-72页 |
5 结论和展望 | 第72-73页 |
5.1 本文工作总结 | 第72页 |
5.2 展望 | 第72-73页 |
参考文献 | 第73-76页 |
作者简历及攻读硕士学位期间取得的研究成果 | 第76-78页 |
学位论文数据集 | 第78页 |