基于深度学习的中文文本分类的关键技术研究 | |
论文目录 | |
摘要 | 第1-6页 |
abstract | 第6-7页 |
第一章 绪论 | 第10-16页 |
1.1 研究工作的背景与意义 | 第10-11页 |
1.2 国内外研究现状 | 第11-14页 |
1.2.1 中文分词技术研究现状 | 第11-13页 |
1.2.2 文本分类技术研究现状 | 第13-14页 |
1.3 本文研究内容 | 第14页 |
1.4 论文结构安排 | 第14-16页 |
第二章 文本分类任务中相关技术介绍 | 第16-34页 |
2.1 文本预处理 | 第16-17页 |
2.2 中文分词方法 | 第17-20页 |
2.2.1 基于匹配的中文分词方法 | 第17-18页 |
2.2.2 基于统计的中文分词算法 | 第18-20页 |
2.3 文本分类算法 | 第20-22页 |
2.4 深度学习模型 | 第22-33页 |
2.4.1 深度神经网络 | 第22-25页 |
2.4.2 卷积神经网络 | 第25-27页 |
2.4.3 循环神经网络 | 第27-31页 |
2.4.4 注意力机制模型 | 第31-33页 |
2.5 本章小结 | 第33-34页 |
第三章 多标准中文分词算法的研究与改进 | 第34-49页 |
3.1 基于多任务学习的分词算法 | 第34-39页 |
3.1.1 多任务学习算法简介 | 第34-36页 |
3.1.2 多标准中文分词算法 | 第36-37页 |
3.1.3 基于Bi-LSTM-CRF的多标准中文分词算法 | 第37-39页 |
3.2 改进的多标准中文分词算法 | 第39-45页 |
3.2.1 对多标准中文分词模型训练时间的改进 | 第39-41页 |
3.2.2 对多标准中文分词模型特征提取能力的改进 | 第41-44页 |
3.2.3 基于BERT-Bi-GRU的多标准中文分词模型 | 第44-45页 |
3.3 实验与分析 | 第45-48页 |
3.3.1 实验数据集及预处理 | 第45页 |
3.3.2 实验参数设置 | 第45-46页 |
3.3.3 训练时间对照实验 | 第46-47页 |
3.3.4 分词效果对比实验 | 第47-48页 |
3.4 本章小结 | 第48-49页 |
第四章 基于深度学习的长短文本分类算法的研究与改进 | 第49-65页 |
4.1 短文本分类算法研究与改进 | 第49-55页 |
4.1.1 基于Bi-LSTM-CNN的短文本分类算法 | 第49-50页 |
4.1.2 基于空间域以及时间域的注意力模块 | 第50-54页 |
4.1.3 加入混合域注意力模块的短文本分类算法 | 第54-55页 |
4.2 长文本分类算法研究与改进 | 第55-59页 |
4.2.1 层次化Attention机制模型 | 第55-58页 |
4.2.2 多通道的层次Attention机制模型 | 第58-59页 |
4.3 短文本分类模型实验设计与结果分析 | 第59-62页 |
4.3.1 实验数据集及预处理 | 第59-60页 |
4.3.2 实验模型参数 | 第60-61页 |
4.3.3 实验设计以及结果分析 | 第61-62页 |
4.4 长文本分类模型实验设计与结果分析 | 第62-64页 |
4.4.1 实验数据集及预处理 | 第62-63页 |
4.4.2 实验模型参数 | 第63-64页 |
4.4.3 实验设计及结果分析 | 第64页 |
4.5 本章小结 | 第64-65页 |
第五章 中文长短文本混合分类系统 | 第65-71页 |
5.1 长短文本混合分类系统设计 | 第61-66页 |
5.2 混合文本分类系统实现 | 第66-68页 |
5.3 系统测试实验 | 第68-69页 |
5.4 本章小结 | 第69-71页 |
第六章 总结和展望 | 第71-73页 |
6.1 总结 | 第71-72页 |
6.2 展望 | 第72-73页 |
致谢 | 第73-74页 |
参考文献 | 第74-78页 |
本篇论文共78页,点击
这进入下载页面 |
|
Copyright(C) All Rights Reserved |
客服QQ:304386486 |
目录由用户 琼海** 提供,作者删除入口请点击这里 |