导读:本文包含了词义分类论文开题报告文献综述及选题提纲参考文献，主要关键词:文本信息,卷积神经网络,特征提取
词义分类论文文献综述
金保华,周兵,王睿,殷长魁[1]（2018）在《基于词义消歧的短文本情感分类方法研究》一文中研究指出文本情感倾向分类研究是现在人类语言学识别领域一项最要的研究内容,传统的文本分类模型在对文本信息的特征提取时,对词汇的词义歧义问题没有足够的认识,在此研究基础之上,结合传统的卷积神经网络模型,引入词义消歧机制,对文本信息特征的提取更加精确,且对分类效果也有所改进。(本文来源于《现代计算机(专业版)》期刊2018年20期）
王雅玲[2]（2018）在《基于词义消歧卷积神经网络的文本分类技术研究》一文中研究指出文本分类作为自然语言处理(NLP)领域一个经典的研究问题已经得到了很深入的研究,但是传统的文本分类采用词频统计的方式表示文本,忽略了文本的语义信息。随着深度学习浪潮的到来,深度学习以其强大的特征自学习能力为NLP相关任务提供了借鉴。本论文旨在基于深度学习技术进行文本分类研究。具体的研究工作如下:(1)词向量技术研究。传统的文本表示可能导致维数灾难的问题,且向量表示具有“词汇鸿沟”的问题。针对此问题本文根据先前学者对模型的研究,选择采用Word Embedding机制中的Skip-gram模型训练词向量,将文本数据映射到一个可以计算语义关系的低维稠密的实数向量空间。(2)提出WSDPooling文本分类模型。针对传统双向长短时记忆模型(BLSTM)对文本进行特征提取时忽略词语在不同的文档中含义可能不同甚至相反的问题,本文提出基于词义消歧的文本分类模型——WSDPooling。该模型使用BLSTM提取出的文本上下文表示对当前词向量进行词义消歧,将词义消歧后的文档特征图进行平均池化后直接输入到Softmax分类器中完成文本分类任务。(3)提出WSDCNN文本分类模型。针对WSDPooling模型忽略文档局部特征的问题,利用卷积神经网络(CNN)获取局部特征的能力,提出基于词义消歧卷积神经网络模型——WSDCNN。此模型在得到词义消歧文档表示特征图之后,引入卷积神经网络,结合LSTM提取全局特征和CNN提取局部特征的优势完成文本分类任务。(4)深入研究TensorFlow框架,在四个数据集上使用TensorFlow框架对提出的WSDPooling和WSDCNN两个模型进行实验,都表现出了比传统机器学习算法、LSTM模型、CNN模型及相关变种更好的效果,验证了循环神经网络和卷积神经网络的优势互补在文本分类任务中的有效性。(本文来源于《西安工程大学》期刊2018-05-29）
薛涛,王雅玲,穆楠[3]（2018）在《基于词义消歧的卷积神经网络文本分类模型》一文中研究指出传统文本分类使用word embedding作为文档表示,忽略词在当前上下文的含义,潜在地认为相同词在不同文本中含义相同。针对此问题提出一种词义消歧的卷积神经网络文本分类模型——WSDCNN(word sense disambiguation convolutional neural network)。使用双向长短时记忆网络(BLSTM)建模上下文,得到词义消歧后的文档特征图;利用卷积神经网络(CNN)进一步提取对文本分类最重要的特征。在四个数据集上进行对比实验,结果表明,所提出方法在两个数据集,特别是文档级数据集上优于先前最好的方法,在另外两个数据集上得到与此前最好方法相当的结果。(本文来源于《计算机应用研究》期刊2018年10期）
孙泽方[4]（2017）在《阿拉伯语anuller verbs词义分类解析——以“动词叁维矩阵”与“人类四大行为”为理论工具》一文中研究指出动词的词义能够在叁大维度(主客维度、影疏维度、定移维度)上进行分解,每个维度都能取4个值;人类有四大行为——思、言、感、动,与"主客性"的绝对主观、相对主观、相对客观、绝对客观一一对应。用这两个理论工具分析阿拉伯语anuller verbs,清晰展示出其词义的系统联系。(本文来源于《商丘职业技术学院学报》期刊2017年04期）
崔晶晶[5]（2014）在《词义的分类探析》一文中研究指出本文简析了词义的叁种主要分类(即语法意义、词汇意义和语境意义)及其应用,并阐明其与语言学习的关系。(本文来源于《柳州职业技术学院学报》期刊2014年05期）
陈越[6]（2014）在《日汉接尾词“~物”、“~品”的词义考察与分类》一文中研究指出日汉语中皆有汉字接尾词"物"和"品",笔者对词典中的相关词汇进行摘录和梳理,并采用列表的方式对其进行词义上的对比考察。通过从日汉角度比较词汇,发现词语中存在同形同义、同形异义、异形同义及词义互相包含的复杂情况;通过对相同词根接"物"或"品"含义的比较,发现两个接尾词含义可互相包含;另外,日语中更多用"~物",汉语中更多用"~品"。(本文来源于《语文学刊(外语教育教学)》期刊2014年05期）
马壮寰[7]（2012）在《有关词义分类的几点思考》一文中研究指出作为语义学的重要部分,对词义的研究通常以词义分类或区分开始。如何区分词义一直是一个有争论的、开放的议题。本文主要针对被普遍接受的sense与reference(或sense与denotation)的二项对立中的sense加以某些诠释并对sense"完全是语言内部的"这一界定进行了一定批评性思考。(本文来源于《北京第二外国语学院学报》期刊2012年02期）
张仰森,郭江[8]（2012）在《动态自适应加权的多分类器融合词义消歧模型》一文中研究指出词义消歧一直是自然语言处理中的热点和难题。集成方法被认为是机器学习研究的四大趋势之一,在系统研究已有集成学习方法在汉语词义消歧中的应用后,借鉴模式识别领域集成分类器思想,提出了一种动态自适应加权投票的多分类器集成方法来构建融合分类器。实验结果表明,所提融合分类器模型对汉语文本自动消歧结果的准确率提高较大。(本文来源于《中文信息学报》期刊2012年01期）
屠明萍[9]（2011）在《基于贝叶斯分类器和条件随机场模型的词义消歧对比研究》一文中研究指出本文采用贝叶斯分类器和条件随机场模型分别在同等规模的训练集和测试集上进行了词义消歧的对比实验。实验结果证明条件随机场模型能从上下文中任意地选择所需要的特征,而且有很强的特征组合能力,而不像贝叶斯分类器那样只对上下文的词形做训练,所以消歧结果是条件随机场模型优于贝叶斯分类器,但是在训练复杂度上,条件随机场要比贝叶斯分类器更为复杂一些。(本文来源于《文教资料》期刊2011年36期）
梁雪梅,蔡晖[10]（2011）在《词义动态模式研究参数之一——参项的分类类别》一文中研究指出参项的分类类别是词义动态模式研究中的重要参数之一,通过分类类别,词义能够得到有规律的区分和描写。本文分别从参项分类类别的确定,词义区分功能,分类类别的次类别特征,以及与参项语义角色之间的相互关系出发对这一概念进行分析和阐发。(本文来源于《中国俄语教学》期刊2011年04期）
词义分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文本分类作为自然语言处理(NLP)领域一个经典的研究问题已经得到了很深入的研究,但是传统的文本分类采用词频统计的方式表示文本,忽略了文本的语义信息。随着深度学习浪潮的到来,深度学习以其强大的特征自学习能力为NLP相关任务提供了借鉴。本论文旨在基于深度学习技术进行文本分类研究。具体的研究工作如下:(1)词向量技术研究。传统的文本表示可能导致维数灾难的问题,且向量表示具有“词汇鸿沟”的问题。针对此问题本文根据先前学者对模型的研究,选择采用Word Embedding机制中的Skip-gram模型训练词向量,将文本数据映射到一个可以计算语义关系的低维稠密的实数向量空间。(2)提出WSDPooling文本分类模型。针对传统双向长短时记忆模型(BLSTM)对文本进行特征提取时忽略词语在不同的文档中含义可能不同甚至相反的问题,本文提出基于词义消歧的文本分类模型——WSDPooling。该模型使用BLSTM提取出的文本上下文表示对当前词向量进行词义消歧,将词义消歧后的文档特征图进行平均池化后直接输入到Softmax分类器中完成文本分类任务。(3)提出WSDCNN文本分类模型。针对WSDPooling模型忽略文档局部特征的问题,利用卷积神经网络(CNN)获取局部特征的能力,提出基于词义消歧卷积神经网络模型——WSDCNN。此模型在得到词义消歧文档表示特征图之后,引入卷积神经网络,结合LSTM提取全局特征和CNN提取局部特征的优势完成文本分类任务。(4)深入研究TensorFlow框架,在四个数据集上使用TensorFlow框架对提出的WSDPooling和WSDCNN两个模型进行实验,都表现出了比传统机器学习算法、LSTM模型、CNN模型及相关变种更好的效果,验证了循环神经网络和卷积神经网络的优势互补在文本分类任务中的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
词义分类论文参考文献
[1].金保华,周兵,王睿,殷长魁.基于词义消歧的短文本情感分类方法研究[J].现代计算机(专业版).2018
[2].王雅玲.基于词义消歧卷积神经网络的文本分类技术研究[D].西安工程大学.2018
[3].薛涛,王雅玲,穆楠.基于词义消歧的卷积神经网络文本分类模型[J].计算机应用研究.2018
[4].孙泽方.阿拉伯语anullerverbs词义分类解析——以“动词叁维矩阵”与“人类四大行为”为理论工具[J].商丘职业技术学院学报.2017
[5].崔晶晶.词义的分类探析[J].柳州职业技术学院学报.2014
[6].陈越.日汉接尾词“~物”、“~品”的词义考察与分类[J].语文学刊(外语教育教学).2014
[7].马壮寰.有关词义分类的几点思考[J].北京第二外国语学院学报.2012
[8].张仰森,郭江.动态自适应加权的多分类器融合词义消歧模型[J].中文信息学报.2012
[9].屠明萍.基于贝叶斯分类器和条件随机场模型的词义消歧对比研究[J].文教资料.2011
[10].梁雪梅,蔡晖.词义动态模式研究参数之一——参项的分类类别[J].中国俄语教学.2011