基于价格投诉举报数据的文本分类方法研究及应用

发布时间：2022-02-16 20:01

　　针对价格投诉举报信息,辨别举报人是否是职业举报人不但效率较低,还需要投入非常多的时间、精力。随着自然语言处理技术的应用项目不断增多,人工智能技术的应用不断体现出多样性的特征,尤其是深度学习方面,在自然语言处理中的应用不断加深。在这样的技术背景下,本课题基于实际工作中对价格投诉举报信息分类处理的现实压力,通过对真实的投诉文本数据进行研究和分析,旨在找到适合符合当前实际工作情况的文本分类算法。本文以卷积神经网络和循环神经网络分类模型为基础,首先对文本分类方法的相关技术进行介绍和分析,对分词方法进行研究,对原始数据进行高频词的提取、词性标注等进行研究,接下来通过对经典的卷积神经网络算法的文本分类应用进行研究,找到和卷积神经网络算法最合适的特征提取模型和卷积神经核心参数,并且选择两种特征提取模型结合卷积神经网络算法进行实验,可自动识别出每类数据信息的元特征,有助于数据的分类。但是采用单一的模型,所提取的数据特征定义不够清晰。因此将卷积神经网络和循环神经网络组成混合模型进行研究,吸收两种模型的优点,实现快速学习并准确提取特征。为优化特征向量权重,引入了注意力模型思想来对模型和算法进行改进,排除无... 

【文章来源】：北京化工大学北京市211工程院校教育部直属院校

【文章页数】：86 页

【学位级别】：硕士

【文章目录】：
学位论文数据集
摘要
Abstract
第一章 绪论
    1.1 选题背景与意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
    1.3 主要研究内容
第二章 文本分类相关理论基础
    2.1 文本分类介绍
    2.2 文本向量化介绍
    2.3 中文分词技术介绍
    2.4 深度学习模型介绍
        2.4.1 卷积神经网络
        2.4.2 循环神经网络
        2.4.3 长短记忆神经网络
    2.5 本章小结
第三章 基于价格投诉举报文本的命名实体识别
    3.1 价格投诉举报文本数据集简介
    3.2 数据预处理
        3.2.1 高频词提取
        3.2.2 词性标注
    3.3 基于价格投诉举报文本的命名实体识别
    3.4 本章小结
第四章 基于价格投诉举报数据文本分类方法研究
    4.1 基于卷积神经网络的文本分类
        4.1.1 文本分类流程
        4.1.2 整体架构
        4.1.3 实验设计
        4.1.4 实验结果分析
    4.2 基于卷积神经网络和循环神经网络的文本分类
        4.2.1 研究思路
        4.2.2 整体框架
        4.2.3 算法改进
    4.3 基于卷积神经网络和循环神经网络的双通道文本分类混合模型
        4.3.1 研究思路
        4.3.2 整体框架
        4.3.3 模型算法
    4.4 实验及其结果分析
        4.4.1 分类模型评价方法
        4.4.2 对比实验设计
        4.4.3 分类实验对比结果
    4.5 本章小结
第五章 基于价格投诉举报的文本分类方法应用
    5.1 价格投诉举报文本分类系统介绍
    5.2 价格投诉举报文本分类系统需求分析
        5.2.1 注册与登录功能需求分析
        5.2.2 分类管理功能需求分析
        5.2.3 文本查询功能需求分析
    5.3 价格投诉举报文本分类系统数据流图
    5.4 价格投诉举报文本分类系统设计
        5.4.1 价格投诉举报文本分类系统功能框架
        5.4.2 价格投诉举报文本分类系统软件架构设计
        5.4.3 价格投诉举报文本分类系统功能设计
        5.4.4 价格投诉举报文本分类系统数据库设计
    5.5 价格投诉举报文本分类系统实现
        5.5.1 价格投诉举报文本分类系统实现技术介绍
        5.5.2 价格投诉举报文本分类系统实现
    5.6 本章小结
第六章 总结与展望
    6.1 总结
    6.2 展望
参考文献
致谢
附件


【参考文献】：
期刊论文
[1]基于深度学习的文本分类系统关键技术研究与模型验证[J]. 汪少敏,杨迪,任华.  电信科学. 2018(12)
[2]文本分类TF-IDF算法的改进研究[J]. 叶雪梅,毛雪岷,夏锦春,王波.  计算机工程与应用. 2019(02)
[3]基于深度学习的文本分类研究进展[J]. 刘婷婷,朱文东,刘广一.  电力信息与通信技术. 2018(03)
[4]基于卷积神经网络的电力设备缺陷文本分类模型研究[J]. 刘梓权,王慧芳,曹靖,邱剑.  电网技术. 2018(02)
[5]基于改进TF-IDF特征提取的文本分类模型研究[J]. 周源,刘怀兰,杜朋朋,廖岭.  情报科学. 2017(05)
[6]基于卷积神经网络的互联网短文本分类方法[J]. 郭东亮,刘小明,郑秋生.  计算机与现代化. 2017(04)
[7]基于Word2vec的微博短文本分类研究[J]. 张谦,高章敏,刘嘉勇.  信息网络安全. 2017(01)
[8]词向量与LDA相融合的短文本分类方法[J]. 张群,王红军,王伦文.  现代图书情报技术. 2016(12)
[9]基于聚类改进的KNN文本分类算法[J]. 周庆平,谭长庚,王宏君,湛淼湘.  计算机应用研究. 2016(11)
[10]一种改进的KNN文本分类算法[J]. 樊存佳,汪友生,边航.  国外电子测量技术. 2015(12)

博士论文
[1]基于深度学习的文本表示与分类方法研究[D]. 闫琰.北京科技大学 2016
[2]文本分类关键技术及应用研究[D]. 凤丽洲.吉林大学 2015
[3]文本分类中文本表示模型和特征选择算法研究[D]. 杨杰明.吉林大学 2013

硕士论文
[1]基于Attention-Based LSTM模型的文本分类技术的研究[D]. 张冲.南京大学 2016
[2]基于深度学习混合模型的文本分类研究[D]. 周超.兰州大学 2016
[3]基于特征选择及LDA模型的中文文本分类研究与实现[D]. 董露露.安徽大学 2014



本文编号：3628571