基于卷积神经网络的中文文本分类研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题背景与研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 本文主要研究内容 | 第14页 |
| 1.4 论文的结构安排 | 第14-15页 |
| 2 文本特征提取相关技术介绍 | 第15-23页 |
| 2.1 中文分词方法与常用工具 | 第15-17页 |
| 2.1.1 基于字符串匹配的分词方法 | 第15-16页 |
| 2.1.2 基于理解的分词方法 | 第16页 |
| 2.1.3 基于统计的分词方法 | 第16-17页 |
| 2.1.4 常用分词工具 | 第17页 |
| 2.2 传统的文本特征提取方法 | 第17-20页 |
| 2.2.1 One-hot模型 | 第17-18页 |
| 2.2.2 TF-IDF模型 | 第18-19页 |
| 2.2.3 LDA模型 | 第19-20页 |
| 2.3 分布式文本特征提取方法 | 第20-22页 |
| 2.4 本章小结 | 第22-23页 |
| 3 常用文本分类算法 | 第23-30页 |
| 3.1 支持向量机 | 第23-25页 |
| 3.1.1 支持向量机原理 | 第23-24页 |
| 3.1.2 支持向量机的优缺点 | 第24-25页 |
| 3.2 朴素贝叶斯 | 第25-26页 |
| 3.2.1 朴素贝叶斯算法原理 | 第26页 |
| 3.2.2 朴素贝叶斯算法的优缺点 | 第26页 |
| 3.3 随机森林 | 第26-29页 |
| 3.3.1 决策树 | 第27-28页 |
| 3.3.2 随机森林 | 第28页 |
| 3.3.3 随机森林的优缺点 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于卷积神经网络的中文文本分类系统 | 第30-34页 |
| 4.1 卷积神经网络模型结构介绍 | 第30-32页 |
| 4.1.1 卷积神经网络输入层 | 第30-31页 |
| 4.1.2 卷积神经网络卷积层 | 第31-32页 |
| 4.1.3 卷积神经网络的池化层 | 第32页 |
| 4.1.4 卷积神经网络全连接层 | 第32页 |
| 4.2 卷积神经网络模型的训练方法 | 第32-33页 |
| 4.3 本章小结 | 第33-34页 |
| 5 实验过程与结果分析 | 第34-42页 |
| 5.1 实验环境 | 第34页 |
| 5.2 数据描述 | 第34-35页 |
| 5.3 文本分类性能评测指标 | 第35-36页 |
| 5.4 传统分类器实验结果 | 第36-40页 |
| 5.4.1 特征提取 | 第36页 |
| 5.4.2 分类结果 | 第36-40页 |
| 5.5 卷积神经网络实验结果 | 第40-42页 |
| 5.5.1 LDA提取主题相关单词 | 第40页 |
| 5.5.2 卷积神经网络分类结果 | 第40-42页 |
| 6 总结与展望 | 第42-44页 |
| 6.1 论文总结 | 第42页 |
| 6.2 工作展望 | 第42-44页 |
| 参考文献 | 第44-48页 |
| 致谢 | 第48-49页 |
| 附录 | 第49-62页 |
