基于混合神经网络的中文短文本分类方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-13页 |
| 1.1 背景和意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 问题难点和本文研究思路 | 第11-12页 |
| 1.4 本文内容安排 | 第12-13页 |
| 第二章 中文短文本分类基础 | 第13-29页 |
| 2.1 中文短文本分类整体流程 | 第13页 |
| 2.2 文本预处理 | 第13-15页 |
| 2.2.1 文本数据噪声去除 | 第14页 |
| 2.2.2 文本分词与词性标注 | 第14页 |
| 2.2.3 去除停用词 | 第14-15页 |
| 2.3 特征选择 | 第15-16页 |
| 2.3.1 信息增益 | 第15页 |
| 2.3.2 卡方统计 | 第15-16页 |
| 2.3.3 文档频率 | 第16页 |
| 2.3.4 互信息 | 第16页 |
| 2.4 文本表示 | 第16-21页 |
| 2.4.1 词袋模型 | 第17页 |
| 2.4.2 词转向量模型 | 第17-21页 |
| 2.5 特征降维 | 第21-25页 |
| 2.5.1 主成分分析 | 第22-23页 |
| 2.5.2 线性判别分析 | 第23-24页 |
| 2.5.3 局部线性嵌入 | 第24-25页 |
| 2.6 机器学习模型 | 第25-28页 |
| 2.7 本章小结 | 第28-29页 |
| 第三章 混合神经网络子模型结构改进和相关细节 | 第29-42页 |
| 3.1 适应短文本本分类的卷积神经网络模型 | 第29-31页 |
| 3.1.1 卷积神经网络的输入构造 | 第29-30页 |
| 3.1.2 卷积改进 | 第30页 |
| 3.1.3 池化改进 | 第30-31页 |
| 3.1.4 全连接分类计算 | 第31页 |
| 3.2 循环神经网络模型 | 第31-33页 |
| 3.2.1 模型定义和输入输出 | 第31-32页 |
| 3.2.2 模型训练 | 第32-33页 |
| 3.3 长短期记忆网络模型 | 第33-36页 |
| 3.4 深度学习技术细节 | 第36-41页 |
| 3.4.1 激活函数 | 第36-37页 |
| 3.4.2 优化方法 | 第37-39页 |
| 3.4.3 正则化 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 混合神经网络中文短文本分类方法 | 第42-51页 |
| 4.1 混合神经网络整体方案架构 | 第42页 |
| 4.2 实验数据 | 第42-45页 |
| 4.2.1 实验数据的来源 | 第43-44页 |
| 4.2.2 实验数据预处理 | 第44-45页 |
| 4.3 文本特征表示 | 第45-46页 |
| 4.3.1 自定义特征词筛选和词嵌入层 | 第45-46页 |
| 4.4 卷积循环网络相结合提取高阶特征 | 第46-47页 |
| 4.4.1 卷积神经网络文本特征提取 | 第46-47页 |
| 4.4.2 循环神经网络文本特征提取 | 第47页 |
| 4.5 注意力机制优化高阶向量特征 | 第47-49页 |
| 4.6 字符短语相结合的混合双通道 | 第49页 |
| 4.7 分类器层 | 第49页 |
| 4.8 本章小结 | 第49-51页 |
| 第五章 实验结果与分析 | 第51-57页 |
| 5.1 实验环境介绍 | 第51页 |
| 5.2 评测指标介绍 | 第51-52页 |
| 5.3 实验结果分析 | 第52-55页 |
| 5.3.1 对比模型选取与参数设计 | 第52-54页 |
| 5.3.2 实验结果及分析 | 第54-55页 |
| 5.4 本章小结 | 第55-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 全文总结 | 第57-58页 |
| 6.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间研究成果 | 第64页 |
