| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 相关研究概述 | 第13-15页 |
| 1.3 主要工作与组织结构 | 第15-16页 |
| 1.4 本章小结 | 第16-17页 |
| 第2章 相关技术与理论 | 第17-28页 |
| 2.1 文本表达 | 第17-19页 |
| 2.1.1 向量空间模型 | 第17-18页 |
| 2.1.2 词语的分布式表达——词向量 | 第18-19页 |
| 2.2 特征扩展方法 | 第19-21页 |
| 2.2.1 利用主题模型对短文本进行扩展 | 第19-20页 |
| 2.2.2 利用外部知识库扩展 | 第20-21页 |
| 2.3 特征选择方法 | 第21-24页 |
| 2.3.1 文档频率与逆文档频率 | 第22页 |
| 2.3.2 互信息 | 第22-23页 |
| 2.3.3 信息增益 | 第23-24页 |
| 2.3.4 卡方统计量 | 第24页 |
| 2.4 常用分类方法 | 第24-27页 |
| 2.4.1 支持向量机 | 第24-26页 |
| 2.4.2 朴素贝叶斯 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第3章 词向量学习算法 | 第28-45页 |
| 3.1 基于主题模型的词向量 | 第28-32页 |
| 3.1.1 隐含狄利克雷分布主题模型 | 第28-30页 |
| 3.1.2 主题分布词向量 | 第30-32页 |
| 3.2 加权的连续词袋模型 | 第32-44页 |
| 3.2.1 Word2vec模型 | 第32-37页 |
| 3.2.2 加权连续词袋模型结构 | 第37-38页 |
| 3.2.3 Hierarchical softmax | 第38-41页 |
| 3.2.4 随机梯度下降求解模型 | 第41-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 基于词向量的短文本分类 | 第45-56页 |
| 4.1 基于词向量的短文本分类流程 | 第45-46页 |
| 4.2 短文本向量生成——词向量组合法 | 第46-48页 |
| 4.2.1 选择性词向量累加 | 第46-47页 |
| 4.2.2 多种词向量协同表达特征 | 第47-48页 |
| 4.3 短文本向量生成——max-PV-DM模型 | 第48-53页 |
| 4.3.1 PV-DM模型和PV-DBOW模型 | 第48-49页 |
| 4.3.2 max-PV-DM模型 | 第49-52页 |
| 4.3.3 短文本向量构成 | 第52-53页 |
| 4.4 基于词向量的短文本扩展 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 实验设计与结果分析 | 第56-67页 |
| 5.1 实验数据 | 第56-57页 |
| 5.2 实验环境 | 第57页 |
| 5.3 评价指标 | 第57-59页 |
| 5.4 分类方法对比实验 | 第59-63页 |
| 5.5 关于词向量模型参数的实验 | 第63-64页 |
| 5.6 关于特征扩展方法的实验 | 第64-66页 |
| 5.7 本章小结 | 第66-67页 |
| 第6章 短文本分类算法集成应用 | 第67-73页 |
| 6.1 面向公共安全的跨媒体理论与方法验证平台 | 第67-68页 |
| 6.2 新闻标题分类模块 | 第68-72页 |
| 6.2.1 数据预处理 | 第69-70页 |
| 6.2.2 词向量学习 | 第70-71页 |
| 6.2.3 人工标注训练数据 | 第71页 |
| 6.2.4 新闻分类服务 | 第71-72页 |
| 6.3 本章小结 | 第72-73页 |
| 第7章 总结与展望 | 第73-75页 |
| 7.1 全文总结 | 第73页 |
| 7.2 下一步研究方向 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间主要的研究成果 | 第79-80页 |
| 致谢 | 第80-81页 |
| 作者简介 | 第81页 |