基于卷积神经网络的文本分类方法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 传统的文本分类算法 | 第10-12页 |
| 1.2.2 卷积神经网络在文本分类的应用 | 第12-14页 |
| 1.3 研究意义 | 第14-15页 |
| 1.4 本文主要研究工作 | 第15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第2章 相关理论和技术 | 第17-28页 |
| 2.1 论文总体框架 | 第17-18页 |
| 2.2 文本分类任务 | 第18-19页 |
| 2.2.1 概述 | 第18-19页 |
| 2.2.2 一般过程 | 第19页 |
| 2.3 模型训练 | 第19-23页 |
| 2.3.1 损失函数 | 第19-20页 |
| 2.3.2 反向传播算法 | 第20-22页 |
| 2.3.3 梯度下降 | 第22页 |
| 2.3.4 Momentum | 第22页 |
| 2.3.5 NAG | 第22-23页 |
| 2.3.6 权重衰减 | 第23页 |
| 2.3.7 局部响应归一化 | 第23页 |
| 2.3.8 Xavier初始化 | 第23页 |
| 2.4 CNN基本原理 | 第23-27页 |
| 2.4.1 卷积层 | 第24-25页 |
| 2.4.2 池化层 | 第25-26页 |
| 2.4.3 全连接层 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 文本分类任务中文本表示学习方法的研究 | 第28-42页 |
| 3.1 词向量简介 | 第28-29页 |
| 3.2 语言模型概述 | 第29-34页 |
| 3.2.1 神经网络语言模型 | 第29-30页 |
| 3.2.2 C&W语言模型 | 第30-31页 |
| 3.2.3 CBOW语言模型 | 第31-32页 |
| 3.2.4 Skip-Gram语言模型 | 第32-33页 |
| 3.2.5 GloVe语言模型 | 第33-34页 |
| 3.3 词向量模型分析 | 第34-36页 |
| 3.3.1 目标词与上下文关系 | 第35页 |
| 3.3.2 上下文表示 | 第35-36页 |
| 3.4 实验设计和分析 | 第36-41页 |
| 3.4.1 实验设置 | 第36-37页 |
| 3.4.2 模型的比较 | 第37-38页 |
| 3.4.3 训练参数的选择 | 第38-40页 |
| 3.4.4 实验结果 | 第40-41页 |
| 3.5 本章小节 | 第41-42页 |
| 第4章 基于层级卷积神经网络的文本分类模型 | 第42-55页 |
| 4.1 层级卷积神经网络的文本模型概述 | 第42页 |
| 4.2 层级卷积神经网络分类模型设计 | 第42-46页 |
| 4.2.1 句子组成 | 第43-45页 |
| 4.2.2 文档向量 | 第45-46页 |
| 4.2.3 文档分类 | 第46页 |
| 4.3 正则化 | 第46-48页 |
| 4.3.1 Dropout | 第47-48页 |
| 4.4 实验与结果分析 | 第48-54页 |
| 4.4.1 实验环境 | 第48-50页 |
| 4.4.2 实验数据集 | 第50页 |
| 4.4.3 实验评估标准 | 第50-51页 |
| 4.4.4 实验具体设计 | 第51-53页 |
| 4.4.5 实验结果与分析 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 总结 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 致谢 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 攻读学位期间取得的研究成果 | 第65页 |
