1. 研究目的与意义
在当前电子信息高速发展的时代，何时何地都在不停的产生大量的文字、图片、视频数据，而其中
最重要的当属文本数据。因此，如何运用日趋成熟的文本分析技术，去发掘海量文本背后所包含的有效信息，意义将非常重大。现如今，文本分类技术在个性化推荐、信息检索、信息安全、搜索引擎系统等领域都有真十分重要的作用。虽然，已经是进入人工智能时代的21世纪，但文本分类依然是一个非常有挑战性的问题，极具研究意义和广泛的应用前景。
文本分类技术的不断发展与深入，已逐渐在邮件过滤、信息检索、文本情感分析、文本索引等领域表现出广泛的应用前景，在文本分类过程中，分类主题的细化，复杂的分析问题，以及对句子、文章的泛化处理的能力，如何将浅层的字面上的文本信息结合上下文信息、词与词之间的联系等作为分类问题的难点，急需对算法进行创新改革，突破瓶颈。伴随着深度学习的发展，凸显出对于复杂语义问题的优秀能力，因此引入深度学习来提高分类精确度，利用其优势去处理文本问题，不仅具有理论指导意义，也有使用价值，同时，高性能的CPU和GPU平台提供了强大的计算能力，也为深度学习提供了创新平台。
2. 研究内容和预期目标
研究内容：
(1) 如何对大量数据进行分类管理
(2) 如何快速客观准确的进行分类
3. 国内外研究现状
文本分类技术起源于国外，最早由上个世纪50年代末，美国IBM公司的Luhn提出，他开创性的把
词频统计思想用到了自动分类中。到上世纪90年代，互联网上出现了大量丰富的在线文本，机器学习也逐渐发展起来。这时，统计学习方法成为了文本分类的主要技术，重要的是它的学习不需要专家敢于，分类精确度却比得上专家手工分类的结果，性能方面更是有了明显的提高，使它成为当时分类的主流方法。
近年来，深度学习迅猛发展。早期由McClelland等人提出的BP前馈神经网络，被PedersenJ等成功应用到文本分类领域。这一技术一定程度上弥补了线性和线层非线性方法，在表达复杂语义上面的不足。国外已有许多学者在探索。Johnson等人提出了一个半监督的，卷积神经网络学习框架，可以有效利用没有标识的数据。Zhou等人提出C-LSTM模型，该模型先利用卷积神经网络提取文本特征，再送入长短期记忆网络，该模型在文本分类上有较好效果。借助大量数据，深度学习模型可以提高特征对文本语义信息的表达能力，有着很好的学习和理解能力。随着深度学习理论和方法的不断完善，基于深度学习的文本分类、自然语言处理技术会更加成熟。
4. 计划与进度安排
撰写方案：
（1）查找相关方面的论文，学习有关文本分类，卷积神经网络方面的知识。
（2）设计基于卷积神经网络的文本分类算法
5. 参考文献
[1]陆超红.基于多通道循环卷积神经网络的文本分类方法[J].计算机应用与软件,2020,37(08):282-288.
[2]高云龙,吴川,朱明.基于改进卷积神经网络的短文本分类模型[J].吉林大学学报(理学版),2020,58(04):923-930.
[3]陈天龙. 基于深度神经网络的文本分类模型研究[D].南昌大学,2020.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
