教育论文网

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