| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 本文研究背景 | 第10-11页 |
| 1.1.2 本文研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要工作与创新 | 第14-15页 |
| 1.4 论文结构安排 | 第15-18页 |
| 第二章 垂直领域薪水预测与深度学习相关研究 | 第18-28页 |
| 2.1 常用薪水预测模型方法研究 | 第18-21页 |
| 2.1.1 基于Lasso回归的薪水预测模型 | 第18-19页 |
| 2.1.2 基于贝叶斯网络的薪水预测模型 | 第19-20页 |
| 2.1.3 基于随机森林的薪水预测模型 | 第20-21页 |
| 2.2 网络爬虫技术 | 第21-22页 |
| 2.3 中文分词技术 | 第22-23页 |
| 2.4 深度学习算法研究 | 第23-26页 |
| 2.4.1 深度学习算法应用于薪水研究的可行性 | 第23-24页 |
| 2.4.2 长短时记忆网络 | 第24-25页 |
| 2.4.3 卷积神经网络用于自然语言处理 | 第25页 |
| 2.4.4 注意力机制 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于神经网络模型的薪水预测 | 第28-52页 |
| 3.1 实验数据准备及预处理 | 第28-31页 |
| 3.1.1 实验数据准备 | 第28-29页 |
| 3.1.2 实验数据预处理 | 第29-31页 |
| 3.2 实验word2vec模型 | 第31-33页 |
| 3.2.1 核心原理 | 第31-32页 |
| 3.2.2 训练过程 | 第32-33页 |
| 3.2.3 英文word2vec模型 | 第33页 |
| 3.3 基于长短时记忆网络的模型融合 | 第33-37页 |
| 3.3.1 网络模型设计 | 第33-37页 |
| 3.3.2 训练优化技巧 | 第37页 |
| 3.4 基于深层卷积神经网络的特征融合模型 | 第37-43页 |
| 3.4.1 卷积神经网络文本特征提取 | 第38页 |
| 3.4.2 网络模型设计 | 第38-42页 |
| 3.4.3 特征工程提取传统特征 | 第42-43页 |
| 3.5 实验设计及结果分析 | 第43-49页 |
| 3.5.1 数据集 | 第43-44页 |
| 3.5.2 评估标准 | 第44页 |
| 3.5.3 结果与分析 | 第44-49页 |
| 3.5.4 实验环境 | 第49页 |
| 3.6 本章小结 | 第49-52页 |
| 第四章 基于注意力机制及上下文特征的模型优化 | 第52-64页 |
| 4.1 基于注意力机制的薪水预测模型 | 第53-55页 |
| 4.2 基于上下文特征的循环卷积神经网络的薪水预测模型 | 第55-58页 |
| 4.3 实验设计及结果分析 | 第58-62页 |
| 4.3.1 实验结果分析 | 第58页 |
| 4.3.2 实验过程 | 第58-62页 |
| 4.4 本章小结 | 第62-64页 |
| 第五章 工作总结与展望 | 第64-66页 |
| 5.1 论文工作总结 | 第64-65页 |
| 5.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-72页 |
| 攻读硕士学位期间发表论文 | 第72页 |