基于半监督学习的文本分类关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题的研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 文本表示 | 第14-15页 |
| 1.2.2 传统有监督文本分类技术 | 第15-16页 |
| 1.2.3 传统半监督文本分类技术 | 第16-17页 |
| 1.3 本文主要研究内容与组织结构 | 第17-18页 |
| 1.3.1 本文主要研究内容 | 第17页 |
| 1.3.2 论文组织结构 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 经典文本分类技术 | 第19-33页 |
| 2.1 文本分类的特征表示方法 | 第19-22页 |
| 2.1.1 基于文档的文本特征表示 | 第19-21页 |
| 2.1.2 基于词的文本特征表示 | 第21-22页 |
| 2.2 基于经典机器学习算法的文本分类算法 | 第22-23页 |
| 2.2.1 支持向量机 | 第22-23页 |
| 2.2.2 k-NN | 第23页 |
| 2.3 基于神经网络的文本分类方法 | 第23-29页 |
| 2.3.1 简单神经网络 | 第23-25页 |
| 2.3.2 卷积神经网络 | 第25-27页 |
| 2.3.3 循环神经网络 | 第27-29页 |
| 2.4 文本分类的评价指标 | 第29-31页 |
| 2.5 相关实验与结果 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于长短时记忆网络的文本分类模型 | 第33-48页 |
| 3.1 模型特点概述 | 第33页 |
| 3.2 文本预训练 | 第33-38页 |
| 3.2.1 语言模型 | 第33-36页 |
| 3.2.2 循环神经网络语言模型 | 第36-38页 |
| 3.2.3 自编码器语言模型 | 第38页 |
| 3.3 基于长短时记忆网络的文本分类模型 | 第38-43页 |
| 3.3.1 长短时记忆网络 | 第38-39页 |
| 3.3.2 对抗训练 | 第39-41页 |
| 3.3.3 残差网络架构 | 第41-43页 |
| 3.4 实验数据集及预处理 | 第43-44页 |
| 3.4.1 实验数据集 | 第43页 |
| 3.4.2 数据预处理 | 第43-44页 |
| 3.5 实验及结果分析 | 第44-46页 |
| 3.5.1 参数设置 | 第44页 |
| 3.5.2 对比模型介绍 | 第44-45页 |
| 3.5.3 实验结果及分析 | 第45-46页 |
| 3.6 本章小结 | 第46-48页 |
| 第4章 基于自注意力机制的模型构建 | 第48-57页 |
| 4.1 自注意力机制 | 第48-50页 |
| 4.1.1 单维自注意力表示 | 第49页 |
| 4.1.2 多维自注意力表示 | 第49-50页 |
| 4.2 实验环境及参数设置 | 第50-51页 |
| 4.2.1 实验环境 | 第50-51页 |
| 4.2.2 参数设置 | 第51页 |
| 4.3 文本分类结果分析 | 第51-53页 |
| 4.3.1 对比模型介绍 | 第51页 |
| 4.3.2 实验结果及分析 | 第51-53页 |
| 4.4 不同词嵌入预训练策略对分类效果的影响 | 第53页 |
| 4.5 有标注语料数量对分类效果的影响 | 第53-55页 |
| 4.6 与传统模型的对比分析 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第5章 总结与展望 | 第57-59页 |
| 5.1 工作总结 | 第57页 |
| 5.2 展望及下一步工作 | 第57-59页 |
| 结论 | 第59-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66页 |
