| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 文本表示研究现状 | 第10-11页 |
| 1.2.2 文本分类研究现状 | 第11-12页 |
| 1.2.3 深度学习研究现状 | 第12-13页 |
| 1.3 研究的主要内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-17页 |
| 2 文本分类及深度学习关键技术 | 第17-25页 |
| 2.1 文本分类关键技术 | 第17-22页 |
| 2.1.1 文本表示模型研究 | 第17-19页 |
| 2.1.2 文本分类算法研究 | 第19-22页 |
| 2.2 深度学习关键技术 | 第22-23页 |
| 2.2.1 循环神经网络 | 第22-23页 |
| 2.2.2 深度卷积神经网络 | 第23页 |
| 2.2.3 Softmax分类器 | 第23页 |
| 2.3 本章小结 | 第23-25页 |
| 3 WSDPooling文本分类算法研究 | 第25-41页 |
| 3.1 基于Word Embedding的词义消歧文本表示 | 第25-28页 |
| 3.1.1 Word2Vec模型 | 第25-27页 |
| 3.1.2 词义消歧文本表示 | 第27-28页 |
| 3.2 WSDPooling模型整体结构设计 | 第28-32页 |
| 3.2.1 基于LSTM的文档特征抽取 | 第30-31页 |
| 3.2.2 改进BLSTM词义消歧文档特征图构建 | 第31-32页 |
| 3.2.3 基于词义消歧的文本分类器设计 | 第32页 |
| 3.3 基于TensorFlow的WSDPooling算法实现 | 第32-38页 |
| 3.3.1 TensorFlow工作原理 | 第32-34页 |
| 3.3.2 Word Embedding实现 | 第34-35页 |
| 3.3.3 Tensorflow模型构建 | 第35-38页 |
| 3.4 本章小结 | 第38-41页 |
| 4 WSDCNN文本分类算法研究 | 第41-53页 |
| 4.1 WSDCNN模型整体结构设计 | 第41-46页 |
| 4.1.1 BLSTM词义消歧文档特征图构建 | 第42-43页 |
| 4.1.2 融合卷积神经网络的文本分类模型 | 第43-45页 |
| 4.1.3 基于卷积神经网络的文档分类器设计 | 第45-46页 |
| 4.2 基于Tensorflow的WSDCNN算法实现 | 第46-50页 |
| 4.2.1 双向LSTM模型实现 | 第47-48页 |
| 4.2.2 卷积神经网络结构实现 | 第48-50页 |
| 4.3 WSDCNN模型调优 | 第50-51页 |
| 4.3.1 小批量梯度下降法 | 第50页 |
| 4.3.2 dropout算法 | 第50-51页 |
| 4.3.3 L2正则化 | 第51页 |
| 4.4 本章小结 | 第51-53页 |
| 5 实验结果及分析 | 第53-65页 |
| 5.1 分类评价标准 | 第53-55页 |
| 5.2 实验环境设置 | 第55-57页 |
| 5.3 WSDPooling算法结果分析 | 第57-59页 |
| 5.3.1 模型整体性能 | 第57-58页 |
| 5.3.2 文档长度对模型影响 | 第58-59页 |
| 5.3.3 词义消歧对模型的影响 | 第59页 |
| 5.4 WSDCNN算法结果分析 | 第59-62页 |
| 5.4.1 模型整体性能 | 第60-61页 |
| 5.4.2 WSDCNN和WSDPooling模型对比 | 第61页 |
| 5.4.3 混合模型的优势 | 第61-62页 |
| 5.4.4 卷积核大小对WSDCNN模型影响 | 第62页 |
| 5.5 本章小结 | 第62-65页 |
| 6 总结和展望 | 第65-67页 |
| 6.1 工作总结 | 第65-66页 |
| 6.2 未来展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 作者攻读学位期间发表学术论文清单 | 第73-75页 |
| 致谢 | 第75页 |
