基于VDCNN与LSTM混合模型的中文文本分类研究

被引：9

作者：

彭玉青

宋初柏

闫倩

赵晓松

魏铭

机构：

[1] 河北工业大学人工智能与数据科学学院

来源：

计算机工程 | 2018年 / 44卷 / 11期

关键词：

文本分类; 卷积神经网络; 长短期记忆网络; 词嵌入; 深度残差网络;

D O I：

10.19678/j.issn.1000-3428.0048715

中图分类号：

TP391.1 [文字信息处理];

学科分类号：

081203 ; 0835 ;

摘要：

自然语言在结构上存在一定的前后依赖性,且将中文文本直接转化为向量时会使维度过高,从而导致现有文本分类方法精度较低。为此,建立一种超深卷积神经网络(VDCNN)与长短期记忆网络(LSTM)相结合的混合模型。通过VDCNN的深度结构来提取文本向量的特征,利用LSTM具有存储历史信息的特点提取长文本的上下文依赖关系,同时引入词嵌入将文本转换为低维度向量。在Sogou语料库和复旦大学中文语料库上进行实验,结果表明,相对CNN+rand、LSTM等模型,该混合模型可以有效提升文本分类的精确率。

引用

页码：190 / 196

页数：7

共 9 条

[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, 10

[2]

基于卷积神经网络的短文本分类方法研究.[D].蔡慧苹.西南大学.2016, 02

[3] 基于卷积神经网络和KNN的短文本分类算法研究 [J].

殷亚博 ;

杨文忠 ;

杨慧婷 ;

许超英 .

计算机工程, 2018, 44 (07) :193-198

[4] 基于文本加权KNN算法的中文垃圾短信过滤 [J].

黄文明 ;

莫阳 .

计算机工程, 2017, 43 (03) :193-199

[5] 基于递归神经网络的文本分类研究 [J].

黄磊 ;

杜昌顺 .

北京化工大学学报(自然科学版), 2017, 44 (01) :98-104

[6] 基于事件卷积特征的新闻文本分类 [J].

夏从零 ;

钱涛 ;

姬东鸿 .

计算机应用研究, 2017, 34 (04) :991-994

[7] 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, 33 (11) :3374-3377+3382

[8] 基于Labeled-LDA模型的文本分类新算法 [J].

李文波 ;

孙乐 ;

张大鲲 .

计算机学报, 2008, (04) :620-627

[9]

Semantic expansion using word embedding clustering and convolutional neural network for improving short text classification.[J].Peng Wang;Bo Xu;Jiaming Xu;Guanhua Tian;Cheng-Lin Liu;Hongwei Hao.Neurocomputing.2016,

← 1 →