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

基于神经网络的文本特征表示关键技术研究

摘要第5-7页
ABSTRACT第7-9页
第一章 绪论第13-19页
    1.1 研究背景与意义第14-15页
    1.2 文本特征表示研究现状第15-16页
    1.3 论文主要研究内容及创新点第16-17页
    1.4 论文组织结构第17-19页
第二章 相关研究综述第19-37页
    2.1 文本表示综述第19-23页
        2.1.1 文本表示方法第19-21页
        2.1.2 语言模型和词嵌入第21-23页
    2.2 神经网络综述第23-35页
        2.2.1 深度学习综述第23-24页
        2.2.2 神经网络基础模型第24-30页
        2.2.3 神经网络类型第30-33页
        2.2.4 神经网络编程框架第33-35页
    2.3 本章小结第35-37页
第三章 基于字形结构的中文繁体字向量模型研究第37-59页
    3.1 引言第37-39页
    3.2 基于CBOW模型的繁体字向量改进方法第39-45页
        3.2.1 连续词袋模型第40-43页
        3.2.2 lowCharCBOW模型第43-45页
    3.3 基于CAE模型的繁体字向量改进方法第45-51页
        3.3.1 基于神经网络的自编码器模型第47-48页
        3.3.2 graphCharCAE模型第48-51页
    3.4 实验内容及结果第51-57页
        3.4.1 实验背景第51-53页
        3.4.2 数据集介绍第53-54页
        3.4.3 实验设置第54-55页
        3.4.4 实验结果第55-57页
    3.5 本章小结第57-59页
第四章 基于字符的英文词向量解决序列标注任务研究第59-79页
    4.1 引言第59-60页
    4.2 基于英文字符级别的词向量改进模型第60-63页
        4.2.1 基于单词的向量模型第61页
        4.2.2 基于字符的charCNN向量模型第61-63页
    4.3 长短时记忆循环神经网络序列标注模型第63-70页
        4.3.1 循环神经网络综述第63-64页
        4.3.2 双向长短时记忆循环神经网络第64-67页
        4.3.3 BLSTM-CRF模型第67-70页
    4.4 实验内容及结果第70-76页
        4.4.1 词性标注任务实验第70-73页
        4.4.2 命名实体识别任务实验第73-76页
    4.5 本章小结第76-79页
第五章 基于注意力机制的句子向量表示方法研究第79-101页
    5.1 引言第79-80页
    5.2 基于注意力机制的GRU句子通用表示模型第80-88页
        5.2.1 循环神经网络句子向量表示介绍第80-82页
        5.2.2 编码器—分类器句子表示架构第82-83页
        5.2.3 编码器GRU模型第83-85页
        5.2.4 基于注意力机制的编码器第85-87页
        5.2.5 模型整体构建第87-88页
    5.3 基于注意力机制的CNN句子向量表示模型第88-93页
        5.3.1 卷积神经网络句子向量表示介绍第88-89页
        5.3.2 卷积神经网络句子向量基本模型第89-92页
        5.3.3 基于注意力机制的CNN句子对匹配模型第92-93页
    5.4 基于注意力机制的GRU通用句子模型实验第93-99页
        5.4.1 语义相似度实验数据介绍第94-96页
        5.4.2 语义相似度实验结果及分析第96页
        5.4.3 文本分类实验数据介绍第96-97页
        5.4.4 文本分类实验结果及分析第97-99页
    5.5 基于注意力机制的CNN句子对匹配实验第99-100页
        5.5.1 实验数据介绍第99页
        5.5.2 实验结果及分析第99-100页
    5.6 本章小结第100-101页
第六章 总结与展望第101-103页
参考文献第103-115页
致谢第115-117页
攻读博士学位期间发表和录用的论文第117页

论文共117页,点击 下载论文
上一篇:电子商务环境下农产品质量安全管控机制与模式研究
下一篇:基于加权融合策略的情感识别建模方法研究