| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 选题背景和意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 语义计算研究现状 | 第15-16页 |
| 1.2.2 文本分类研究现状 | 第16-18页 |
| 1.3 论文主要工作和研究方法 | 第18页 |
| 1.4 论文组织结构 | 第18-20页 |
| 第二章 相关理论基础 | 第20-30页 |
| 2.1 自然语言处理相关理论 | 第20-23页 |
| 2.1.1 自然语言处理基础理论 | 第20-22页 |
| 2.1.2 深度学习与自然语言处理相关理论 | 第22-23页 |
| 2.2 文本分类技术相关理论 | 第23-29页 |
| 2.2.1 文本离散型表示理论 | 第23-25页 |
| 2.2.2 文本连续型表示理论 | 第25-28页 |
| 2.2.3 文本分类模型相关理论 | 第28-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 中文文本语义相似度计算 | 第30-44页 |
| 3.1 语义相似度计算概述 | 第30-32页 |
| 3.1.1 基于本体的语义相似度计算 | 第30-32页 |
| 3.1.2 基于统计的语义相似度计算 | 第32页 |
| 3.2 基于深度学习的语义向量表示 | 第32-37页 |
| 3.2.1 语言模型概述 | 第32-33页 |
| 3.2.2 基于神经网络的语言模型 | 第33-37页 |
| 3.3 基于词向量的相似度计算方法 | 第37-44页 |
| 3.3.1 相关工作 | 第37-42页 |
| 3.3.2 语义相似度计算改进方法 | 第42-44页 |
| 第四章 基于语义的中文文本分类 | 第44-54页 |
| 4.1 文本分类概述 | 第44-46页 |
| 4.2 基于全局特征的文本语义向量生成方法 | 第46-51页 |
| 4.2.1 语义特征向量生成模型 | 第46-47页 |
| 4.2.2 基于Hierarchical Softmax的模型求解 | 第47-51页 |
| 4.3 基于语义向量的中文文本分类方法 | 第51-52页 |
| 4.4 本章小结 | 第52-54页 |
| 第五章 实验结果及分析 | 第54-62页 |
| 5.1 实验设计 | 第54-56页 |
| 5.1.1 实验设计 | 第54页 |
| 5.1.2 评价指标 | 第54-56页 |
| 5.2 实验结果与分析 | 第56-62页 |
| 5.2.1 词汇语义相似度对比分析 | 第56-58页 |
| 5.2.2 文本分类结果对比分析 | 第58-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 作者简介 | 第69-70页 |