首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--文字信息处理论文

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

论文共78页,点击 下载论文
上一篇:基于Hadoop及深度学习的电商个性化推荐平台的设计与实现
下一篇:基于SOA的直播互动平台的设计与实现