| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 深度学习技术研究现状 | 第11页 |
| 1.2.2 文本分类领域研究现状 | 第11-13页 |
| 1.2.3 深度学习在NLP领域其他相关研究现状 | 第13-14页 |
| 1.3 本文的研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 相关工作 | 第16-32页 |
| 2.1 词向量 | 第16-20页 |
| 2.1.1 Word2vec工具 | 第16-17页 |
| 2.1.2 Hierarchical Softmax框架的CBOW模型网络结构 | 第17-18页 |
| 2.1.3 Hierarchical Softmax框架的CBOW模型梯度计算 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-23页 |
| 2.2.1 CNN介绍 | 第20-22页 |
| 2.2.2 TextCNN模型 | 第22-23页 |
| 2.3 LSTM模型及其变体 | 第23-27页 |
| 2.3.1 RNN模型 | 第23-24页 |
| 2.3.2 LSTM模型 | 第24-25页 |
| 2.3.3 TreeLSTM模型 | 第25-27页 |
| 2.4 依存句法分析 | 第27-28页 |
| 2.5 Attention机制 | 第28-30页 |
| 2.6 本章小结 | 第30-32页 |
| 第三章 基于模型融合方法的文本分类框架 | 第32-44页 |
| 3.1 模型介绍 | 第32-33页 |
| 3.2 数据预处理模块 | 第33-35页 |
| 3.3 Embedding模块 | 第35-36页 |
| 3.4 网络模型模块 | 第36-38页 |
| 3.4.1 Child-Sum Tree-LSTM模型 | 第36-37页 |
| 3.4.2 栈式双向LSTM模型 | 第37-38页 |
| 3.5 特征处理模块 | 第38-40页 |
| 3.6 分类模块 | 第40-41页 |
| 3.7 本章小结 | 第41-44页 |
| 第四章 TCF-MF模型实验及分析 | 第44-62页 |
| 4.1 实验整体说明 | 第44-45页 |
| 4.1.1 评价指标 | 第44-45页 |
| 4.1.2 实验环境 | 第45页 |
| 4.2 TCF-MF框架有效性 | 第45-50页 |
| 4.2.1 数据说明 | 第45-46页 |
| 4.2.2 经典模型对比实验 | 第46-48页 |
| 4.2.3 TCF-MF框架参数实验 | 第48-50页 |
| 4.2.4 有效性分析 | 第50页 |
| 4.3 TCF-MF框架普适性 | 第50-54页 |
| 4.3.1 SST数据集情感分类实验 | 第51-52页 |
| 4.3.2 IMDB影评数据分类实验 | 第52-53页 |
| 4.3.3 中文不良文本识别实验 | 第53-54页 |
| 4.3.4 普适性分析 | 第54页 |
| 4.4 其他细节实验 | 第54-59页 |
| 4.4.1 激活函数选择实验 | 第54-56页 |
| 4.4.2 对抗过拟合应对相关实验 | 第56-58页 |
| 4.4.3 Dropout层相关实验 | 第58-59页 |
| 4.5 本章小结 | 第59-62页 |
| 第五章 论文总结与展望 | 第62-64页 |
| 5.1 本文工作总结 | 第62页 |
| 5.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读学位期间发表的论文目录 | 第69页 |
