基于深度学习的短信分类技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.2.1 国内外垃圾短信的整治情况 | 第8-9页 |
| 1.2.2 现有的垃圾短信过滤技术 | 第9-11页 |
| 1.3 文本分类的研究现状 | 第11-14页 |
| 1.3.1 国外研究现状 | 第12-13页 |
| 1.3.2 国内研究现状 | 第13-14页 |
| 1.4 研究内容及组织结构 | 第14-16页 |
| 1.4.1 研究内容 | 第14页 |
| 1.4.2 组织结构 | 第14-16页 |
| 第二章 文本分类的关键技术 | 第16-32页 |
| 2.1 文本分类简介 | 第16-17页 |
| 2.2 文本预处理 | 第17-18页 |
| 2.3 文本表示模型 | 第18-19页 |
| 2.4 特征选择及特征加权 | 第19-25页 |
| 2.4.1 特征选择 | 第19-22页 |
| 2.4.2 特征加权 | 第22-25页 |
| 2.5 常用的文本分类方法 | 第25-29页 |
| 2.6 短文本的特点及其分类 | 第29-30页 |
| 2.6.1 短文本特点 | 第29-30页 |
| 2.6.2 短文本分类 | 第30页 |
| 2.7 本章小结 | 第30-32页 |
| 第三章 深度学习相关理论及方法研究 | 第32-44页 |
| 3.1 深度学习理论基础 | 第32-33页 |
| 3.2 深度学习的常用模型 | 第33-36页 |
| 3.2.1 自动编码器 | 第33-34页 |
| 3.2.2 稀疏编码 | 第34-35页 |
| 3.2.3 深度信念网络 | 第35-36页 |
| 3.3 受限玻尔兹曼机 | 第36-42页 |
| 3.3.1 RBM训练 | 第38-42页 |
| 3.3.2 RBM的评估算法 | 第42页 |
| 3.4 Softmax分类器 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于深度学习的短信分类方法研究 | 第44-50页 |
| 4.1 短信分类方法设计 | 第44页 |
| 4.2 短信特征及其预处理 | 第44-46页 |
| 4.2.1 短信格式研究 | 第44-45页 |
| 4.2.2 短信预处理 | 第45-46页 |
| 4.3 短信特征选择 | 第46-47页 |
| 4.4 短信向量表示 | 第47页 |
| 4.5 构建分类模型 | 第47-48页 |
| 4.5.1 预训练阶段 | 第47-48页 |
| 4.5.2 微调阶段 | 第48页 |
| 4.6 本章小结 | 第48-50页 |
| 第五章 实验结果及分析 | 第50-58页 |
| 5.1 实验的环境与数据 | 第50-52页 |
| 5.1.1 实验环境 | 第50页 |
| 5.1.2 数据集介绍 | 第50-51页 |
| 5.1.3 数据归一化处理 | 第51-52页 |
| 5.2 参数设置 | 第52-54页 |
| 5.3 实验结果 | 第54-57页 |
| 5.3.1 不同迭代次数对分类效果的影响 | 第54页 |
| 5.3.2 不同迭代次数对类别分布情况的影响 | 第54-57页 |
| 5.4 结果分析 | 第57页 |
| 5.5 本章小结 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
