基于主题概率模型的科技论文分类算法研究
摘要 | 第4-6页 |
abstract | 第6-7页 |
第1章 绪论 | 第11-15页 |
1.1 研究背景与意义 | 第11-12页 |
1.2 研究现状及相关技术发展 | 第12-13页 |
1.3 本文主要工作 | 第13-14页 |
1.4 本文组织结构 | 第14-15页 |
第2章 相关工作 | 第15-26页 |
2.1 科技论文分类过程 | 第15-16页 |
2.2 科技论文检索模型 | 第16-21页 |
2.2.1 布尔检索模型 | 第16-17页 |
2.2.2 向量空间模型 | 第17-18页 |
2.2.3 主题概率模型 | 第18-21页 |
2.3 分类方法 | 第21-25页 |
2.3.1 k-近邻算法 | 第21-22页 |
2.3.2 支持向量机算法 | 第22-23页 |
2.3.3 贝叶斯算法 | 第23页 |
2.3.4 决策树算法 | 第23-24页 |
2.3.5 逻辑回归算法 | 第24-25页 |
2.3.6 组合分类法 | 第25页 |
2.4 本章小结 | 第25-26页 |
第3章 基于变分自编码的主题模型研究及推理 | 第26-36页 |
3.1 变分自编码器 | 第26-27页 |
3.2 自编码变分贝叶斯推理 | 第27-29页 |
3.3 基于自编码变分贝叶斯的主题模型 | 第29-32页 |
3.3.1 softmax函数 | 第30页 |
3.3.2 线性整流函数 | 第30-31页 |
3.3.3 转化为半监督算法 | 第31-32页 |
3.4 缺陷解决 | 第32-35页 |
3.4.1 再参数化 | 第33-34页 |
3.4.2 组件崩溃 | 第34-35页 |
3.5 本章小结 | 第35-36页 |
第4章 实验与分析 | 第36-52页 |
4.1 数据获取 | 第37-38页 |
4.2 数据预处理 | 第38-41页 |
4.2.1 分词 | 第38页 |
4.2.2 去停留词 | 第38-39页 |
4.2.3 词形规范化 | 第39-40页 |
4.2.4 生成TF-IDF向量 | 第40页 |
4.2.5 特征选择 | 第40-41页 |
4.3 评价指标 | 第41-42页 |
4.4 实验设计及结果分析 | 第42-50页 |
4.4.1 实验设计 | 第42-44页 |
4.4.2 模型评估 | 第44页 |
4.4.3 实验结果分析 | 第44-50页 |
4.5 实验结论 | 第50-51页 |
4.6 本章小结 | 第51-52页 |
第5章 总结与展望 | 第52-54页 |
5.1 工作总结 | 第52-53页 |
5.2 工作展望 | 第53-54页 |
参考文献 | 第54-60页 |
作者简介及在学期间所取得的科研成果 | 第60-61页 |
致谢 | 第61页 |