字符级卷积神经网络短文本分类算法

被引：66

作者：

刘敬学 ^{[1
]}

孟凡荣 ^{[1
]}

周勇 ^{[1
]}

刘兵 ^{[1
,2
]}

机构：

[1] 中国矿业大学计算机科学与技术学院

[2] 中国科学院电子研究所

来源：

计算机工程与应用 | 2019年 / 05期

关键词：

字符级; 神经网络; 文本分类; 高速公路网络;

D O I：

暂无

中图分类号：

TP391.1 [文字信息处理]; TP183 [人工神经网络与计算];

学科分类号：

120506 [数字人文]; 140502 [人工智能];

摘要：

由于短文本具有长度短、特征稀疏以及上下文依赖性强等特点,传统方法对其直接进行分类精度有限。针对该问题,提出了一种基于字符级嵌入的卷积神经网络(CNN)和长短时记忆网络(LSTM)相结合的神经网络模型进行短文本的分类。该模型同时包括了高速公路网络(Highway networks)框架,用于缓解深度神经网络训练时的困难,提高分类的准确性。通过对几种数据集的测试,结果表明提出的模型在短文本分类任务中优于传统模型和其他基于CNN的分类模型。

引用

页码：135 / 142

页数：8

共 4 条

[1]

结合卷积神经网络和词语情感序列特征的中文情感分析 [J].

陈钊 ;

徐睿峰 ;

桂林 ;

陆勤 .

中文信息学报, 2015, 29 (06) :172-178

[2]

基于卷积神经网络的微博情感倾向性分析 [J].

刘龙飞 ;

杨亮 ;

张绍武 ;

林鸿飞 .

中文信息学报, 2015, 29 (06) :159-165

[3]

Effective Use of Word Order for Text Categorization with Convolutional Neural Networks Jo Johnson R;Zhang T; North a merican chapter of the association for computational linguistics 2014,

[4]

Character-aware neural language models Kim Y;Jernite Y;Sontag D;et al; AAAI 2016,

← 1 →