论文目录 | |
致谢 | 第1-5页 |
摘要 | 第5-7页 |
Abstract | 第7-15页 |
术语表 | 第15-16页 |
1 绪论 | 第16-26页 |
· 课题研究背景和意义 | 第16-18页 |
· 课题研究背景 | 第16-17页 |
· 课题研究意义 | 第17-18页 |
· 研究现状 | 第18-23页 |
· 文本表示的现状 | 第18-20页 |
· 文本分类的现状 | 第20-21页 |
· 深度学习的现状 | 第21-22页 |
· 现状分析 | 第22-23页 |
· 本文主要工作 | 第23-24页 |
· 基于DBN结合DBM的多类文本表示与分类方法 | 第23-24页 |
· 基于CNN结合DBM的多标签摘要文本表示与分类方法 | 第24页 |
· 基于LSTM的不均衡多标签全文文本表示与分类方法 | 第24页 |
· 论文组织结构 | 第24-26页 |
2 相关研究综述 | 第26-49页 |
· 文本表示 | 第26-31页 |
· 布尔逻辑模型 | 第27页 |
· One-hot | 第27页 |
· 向量空间模型 | 第27-29页 |
· LDA(Latent Dirichlet Allocation) | 第29-30页 |
· Word embedding | 第30-31页 |
· 文本分类 | 第31-40页 |
· 经典文本分类方法 | 第31-36页 |
· 多标签文本分类技术 | 第36-38页 |
· 文本分类性能评价指标 | 第38-40页 |
· 深度学习 | 第40-48页 |
· 深度学习概述 | 第40页 |
· 深度学习常用模型 | 第40-48页 |
· 本章小结 | 第48-49页 |
3 基于混合深度信念网络的多类文本表示与分类方法 | 第49-69页 |
· 问题描述 | 第49-50页 |
· HDBN(Hybrid Deep Boltzmann Network)模型 | 第50-53页 |
· 模型设计 | 第50-52页 |
· 语义特征表示 | 第52-53页 |
· 实验 | 第53-68页 |
· 数据集描述 | 第53-55页 |
· 实验对比方法 | 第55-57页 |
· 实验设置 | 第57-58页 |
· 实验结果和分析 | 第58-68页 |
· 本章小结 | 第68-69页 |
4 基于卷积神经网络结合深度玻尔兹曼机的多标签摘要文本表示与分类方法 | 第69-106页 |
· 问题描述 | 第69-70页 |
· B-CNN(Boltzmann-Convolutional Neural Network)模型 | 第70-81页 |
· 模型设计 | 第70-74页 |
· 特征扩展 | 第74-78页 |
· 层次分类 | 第78-81页 |
· 实验 | 第81-104页 |
· 数据集描述 | 第81-82页 |
· 实验对比方法 | 第82-84页 |
· 实验设置 | 第84页 |
· 实验结果和分析 | 第84-104页 |
· 本章小结 | 第104-106页 |
5 基于长短时记忆模型的不均衡多标签全文文本表示与分类方法 | 第106-124页 |
· 问题描述 | 第106-107页 |
· LSTM~2模型设计 | 第107-110页 |
· 实验 | 第110-122页 |
· 数据集描述 | 第111页 |
· 实验对比方法 | 第111-113页 |
· 实验设置 | 第113页 |
· 实验结果和分析 | 第113-122页 |
· 本章小结 | 第122-124页 |
6 总结与展望 | 第124-126页 |
参考文献 | 第126-135页 |
作者简历及在学研究成果 | 第135-140页 |
| 第140页 |