词向量的动态加权及分布式学习策略
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文的研究内容 | 第13-14页 |
| 1.4 论文的组织 | 第14-15页 |
| 2 相关理论与基础 | 第15-24页 |
| 2.1 文本预处理 | 第15-16页 |
| 2.2 特征选择 | 第16-19页 |
| 2.3 文本表示 | 第19-21页 |
| 2.3.1 布尔模型 | 第19页 |
| 2.3.2 向量空间模型 | 第19-20页 |
| 2.3.3 概率模型 | 第20-21页 |
| 2.4 文本分类算法 | 第21-23页 |
| 2.4.1 朴素贝叶斯 | 第21-22页 |
| 2.4.2 k近邻算法 | 第22页 |
| 2.4.3 支持向量机 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 3 基于词向量的动态加权表示模型 | 第24-39页 |
| 3.1 向量空间模型 | 第24-25页 |
| 3.2 词向量模型 | 第25-28页 |
| 3.3 词向量的动态加权表示模型 | 第28-30页 |
| 3.4 数据集及实验方式 | 第30-33页 |
| 3.4.1 数据集信息 | 第30-32页 |
| 3.4.2 训练模型参数 | 第32页 |
| 3.4.3 实验评价指标 | 第32-33页 |
| 3.5 实验结果及分析 | 第33-37页 |
| 3.6 本章小结 | 第37-39页 |
| 4 基于词向量动态加权模型的分类器集成学习策略 | 第39-47页 |
| 4.1 分类器集成介绍 | 第39-42页 |
| 4.1.1 分类器集成的训练方式 | 第39-41页 |
| 4.1.2 分类器集成的组合方式 | 第41-42页 |
| 4.2 基于词向量动态加权模型的支持向量机集成 | 第42-43页 |
| 4.3 实验方式和结果分析 | 第43-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5 基于微信文本的分布式分类系统的实现 | 第47-61页 |
| 5.1 分布式平台框架 | 第47-48页 |
| 5.2 分布式平台文本分类系统的设计 | 第48-53页 |
| 5.2.1 实验结果分析 | 第52-53页 |
| 5.3 分布式平台文本分类系统的实现 | 第53-60页 |
| 5.3.1 数据集模块 | 第54-55页 |
| 5.3.2 文本预处理模块 | 第55-57页 |
| 5.3.3 数据集向量化模块 | 第57-58页 |
| 5.3.4 文本分类模块 | 第58-60页 |
| 5.4 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 结论 | 第61-62页 |
| 6.2 未来期望 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第66-68页 |
| 学位论文数据集 | 第68页 |
