基于深度学习的社会信息挖掘应用实例分析

目录
前言
第1章 绪论 1
1.1 人工智能 1
1.2 机器学习 6
1.3 深度学习 10
第2章 神经网络 14
2.1 神经元 14
2.2 损失函数 15
2.3 激活函数 16
2.4 参数学习 19
2.5 梯度下降法 20
2.6 全连接神经网络 24
2.7 BP神经网络 25
2.8 优化方案 28
2.9 注意力机制 31
2.10 本章小结 32
第3章 深度神经网络 33
3.1 卷积神经网络 33
3.2 简单循环神经网络 34
3.3 深层循环神经网络 36
3.4 本章小结 37
第4章 基于启发知识的学习方法 38
4.1 兄弟学习 38
4.2 顿悟学习 40
4.3 本章小结 43
第5章 极限学习机 44
5.1 引言 44
5.2 *小二乘拟和及Moore-Penrose广义逆 45
5.3 标准SLFN数学模型 48
5.4 ELM学习算法 50
5.5 ELM的特征映射和特征空间 53
5.6 ELM、RVFL及其一般化结构 56
5.7 ELM的理论基础 58
5.8 本章小结 61
第6章 基于深度学习的网站智能信息挖掘 62
6.1 引言 62
6.2 网站信息的计算机自动获取 63
6.3 基于深度学习的网站相似度研究 64
6.4 网站内容丰富度研究 67
6.5 面向任务的兴趣推送 69
6.6 本章小结 71
第7章 基于卷积神经网络的甲骨文异体字识别 72
7.1 引言 72
7.2 相关研究 74
7.3 符号定义及概念 76
7.4 甲骨文异体字识别方法 76
7.5 实验及分析 85
7.6 总结与展望 92
第8章 基于LSTM 的小说情节高潮识别 94
8.1 引言 94
8.2 相关概念 96
8.3 情节高潮识别方法 100
8.4 算法实现 102
8.5 实验及分析 104
8.6 总结与展望 110
第9章 大规模复杂异质图动态的构建 111
9.1 引言 111
9.2 大规模复杂异质图举例 112
9.3 国内外现状及发展动态 115
9.4 大规模复杂异质图学习的研究内容 121
9.5 本章小结 123
第10章 基于深度学习的大规模复杂异质图动态分析 124
10.1 复杂异质动态图数据的采集与存储管理 124
10.2 复杂异质动态图的构建与表示 125
10.3 动态图的演变模式分析 127
10.4 大规模复杂异质图动态变化的优化 129
10.5 大规模复杂异质图学习的实现 130
10.6 大规模复杂异质图学习算法 135
10.7 本章小结 140
参考文献 141