检索结果-内蒙古大学图书馆

作者：王敏蕊武汉理工大学

学位级别：硕士

多标签文本分类作为自然语言处理领域中一项重要且具挑战性的任务,一直受到广泛关注。挖掘多标签文本信息,有助于理解多标签文本的复杂语义。同时,现实世界多标签文本数据中的类不平衡现象,严重影响了多标签文本分类效果。因此,探索面... 详细信息

多标签文本分类作为自然语言处理领域中一项重要且具挑战性的任务,一直受到广泛关注。挖掘多标签文本信息,有助于理解多标签文本的复杂语义。同时,现实世界多标签文本数据中的类不平衡现象,严重影响了多标签文本分类效果。因此,探索面向样本不平衡的多标签文本分类方法,对挖掘具有丰富语义的现实世界文本对象,具有重要理论价值和实际应用意义。目前,重采样作为处理不平衡样本的一项重要技术,其包含的欠采样技术易丢失重要信息,过采样技术易损失语义一致性;使用神经网络模型解决多标签文本分类问题时,对其训练优化方法研究大多基于具体模型或方法,普适性不足;同时,序列生成模型是解决多标签文本分类问题新颖且有效的方法,但现有模型编码器文本表示能力不足,且存在累积误差,影响分类效果。针对以上问题,本文利用边界混合重采样方法对不平衡样本进行平衡化处理,结合文本标签关联性挖掘,设计神经网络训练优化方法,并构建面向多标签文本分类的动态路由序列生成模型。主要工作及成果如下:1)提出了面向不平衡样本的边界混合数据重采样策略基于文本数据高维特点,设计了基于矩阵模型对称率的边界划分方法,将样本划分为分布稀疏的边界区域和分布密集的非边界区域;对于边界区域的少数类样本,提出基于多粒度文本增强的过采样方法,以保留文本语义一致性;对于非边界区域的多数类样本,采用基于频繁词集的文本聚类,提出聚类簇内等比例随机欠采样方法,以尽量避免丢失重要信息,进而降低对模型泛化性的影响;最后,基于以上研究工作,探索了边界混合数据重采样策略,从而得到较平衡的样本集,并以此作为3)中模型的输入。2)设计了面向文本标签关联性挖掘的神经网络训练优化方法结合文本标签关联性挖掘,提出从三个方面对多标签文本分类的神经网络训练过程进行优化:构建标签共现矩阵,设计神经网络最终隐含层到输出层的权重初始化方法,以提升常用标签共现组合的输出概率;利用标签错分代价作为代价敏感因子,建立标签加权的代价敏感损失函数,使目标函数能向低代价区域收敛;结合标签共现频率,提出自适应倾斜三角学习率,以便更精确地收敛;在此基础上,设计了面向文本标签关联性挖掘的神经网络训练优化方法,该方法具有一定普适性的同时,不会明显增加计算资源开销。同时,此方法将作为3)中模型的训练优化方法。3)探索了基于动态路由序列生成模型的多标签文本分类方法将多标签文本分类看作标签序列生成。针对序列生成模型编码器文本表示能力不足问题,在编码器部分,设计了惩罚动态路由,对多头注意力机制进行优化,进而构建了基于多头注意力机制的编码器;针对累积误差问题,在解码器部分,使用sparsemax和迭代权重w优化动态路由过程,添加动态路由聚合层;通过全局共享路由参数削弱累积误差的影响,设计了基于动态路由策略的解码器;在此基础上,构建了基于动态路由的序列生成模型DR-SGM,并结合1)、2)研究内容提出了面向样本不平衡的多标签文本分类方法。4)实验验证与分析选择F1值、Hamming Loss和G-mean作为评价指标,对本文提出的边界混合数据重采样方法、神经网络训练优化方法以及基于动态路由的序列生成模型设计了相应实验方案;基于标准数据集与同领域其他方法进行对比与分析;结果表明本文所提出的面向样本不平衡的多标签文本分类方法能有效处理样本不平衡数据并且在多标签文本分类任务上取得了具有竞争力的效果。

关键词：样本不平衡多标签文本分类标签关联性挖掘神经网络训练序列生成模型

来源：评论

学校读者我要写书评

暂无评论

基于改进seq2seq模型的多标签文本分类研究

基于改进seq2seq模型的多标签文本分类研究

引用

作者：刘心惠大连海事大学

学位级别：硕士

随着人工智能技术取得了长足发展,神经网络被广泛应用到自然语言处理任务中,并且取得了革命性的进步。文本分类是自然语言处理领域的一项重要基础性任务,随着互联网上信息的日益复杂多样,数据内容日益丰富,分类粒度越来越细,传统的单标... 详细信息

随着人工智能技术取得了长足发展,神经网络被广泛应用到自然语言处理任务中,并且取得了革命性的进步。文本分类是自然语言处理领域的一项重要基础性任务,随着互联网上信息的日益复杂多样,数据内容日益丰富,分类粒度越来越细,传统的单标签文本分类不能很好地达到人们的期望,因此,对于多标签文本分类的研究应运而生。多标签文本分类任务是自然语言处理领域的主要研究任务之一,为信息检索、推荐系统、对话系统等提供了极大的便利,具有极大的研究前景和应用价值。因此,本文对多标签文本分类问题展开研究。文本的特征提取、单词的向量表示和标签间的相关性问题是多标签文本分类领域的核心基础技术。本文围绕这些问题,对序列到序列模型seq2seq展开了研究改进,主要研究内容包括:一、针对无法有效地突出词级重点信息,文本的局部特征和全局特征使用不充分问题,构建联合模型来全面的提取文本特征。该模型的构建主要是利用多头注意力机制来区分每个单词对于文本识别的重要程度,从而获取关键词信息,胶囊网络提取文本的局部特征表示,BiLSTM网络提取文本的全局特征表示,并通过特征融合策略进行特征融合,从而获得更为全面、细致的文本特征。二、针对传统的词向量无法解决单词歧义性、不会根据上下文信息变化,并且无法既捕获多层次文本特征,又获取标签之间相关性等问题,在传统的seq2seq模型的基础上,分别改进文本的向量表示和编码器结构,构成改进的seq2seq模型,不仅能够获得丰富的语义表示,还能捕获标签之间的相关性。通过ELMo预训练语言模型和GloVe词向量构成文本的向量表示,以获得更丰富的语义信息;编码器为本文提出的联合模型,获取多层次的文本特征;利用解码器捕获类别标签间的相关性,使分类性能进一步提高。实验结果表明,本文模型在多标签文本分类任务中展现出了较好的性能,充分证明了本文模型的优越性。

关键词：多标签文本分类特征融合联合模型文本表示神经网络

来源：评论

学校读者我要写书评

暂无评论

基于注意力和图卷积的多标签文本分类研究

基于注意力和图卷积的多标签文本分类研究

引用

作者：孙伟南京大学

学位级别：硕士

多标签文本分类是指一个文本实例可以同时关联一组标签集合而非单个标签。随着数据的爆炸性增长,基于深度学习的多标签文本分类已经成为该领域的一个研究热点。深度学习中的注意力机制广泛应用于多标签文本分类中,并为所有的标签学习出... 详细信息

多标签文本分类是指一个文本实例可以同时关联一组标签集合而非单个标签。随着数据的爆炸性增长,基于深度学习的多标签文本分类已经成为该领域的一个研究热点。深度学习中的注意力机制广泛应用于多标签文本分类中,并为所有的标签学习出唯一的特征表示。由于不同的标签蕴含不同的语义信息,文本中的同一单词应当被不同标签赋予不同的关注度,然而传统的注意力机制未能考虑这一问题。随着标签数目的增加,利用标签关系可以有效缩小标签预测过程中输出空间的规模。因此,大部分方法致力于挖掘标签之间的潜在关系,例如标签对、标签子集以及标签链等。但是,这些关系仅仅反映了标签之间的局部信息,同时大部分标签结构都是随机生成的,使得分类性能不稳定。此外,多标签文本数据集经常出现长度过长、信息冗余以及语义复杂等问题。针对以上多标签文本分类存在的问题与挑战,本文的主要工作有:1.针对传统的注意力机制无法为每个标签学习出其最相关的文本表示的问题,本文提出了一种基于分离的注意力机制的方法。通过引入随机初始化的标签向量,为不同的标签设计独有的注意力模型,避免预测过程中标签之间的相互干扰。同时,本文利用基于多层扩张卷积与长短时记忆网络的混合门机制挖掘文本的深层语义信息。实验结果表明,基于分离的注意力机制的方法在标准数据集的多个指标上均超过了基准模型。2.针对大部分标签关系仅仅反映出标签的局部信息,同时标签结构随机生成的问题,本文提出了一种基于图卷积网络的方法。该方法通过利用基于标签共现矩阵的多层图卷积网络增强标签节点之间的交互性,同时利用预训练的词向量初始化标签向量,引入标签语义信息。实验结果表明,提出的模型在标准数据集的多个指标上均超过了基准模型。此外,实验还验证了图卷积的层数对模型性能的影响。3.针对多标签数据的文本过长、信息冗余以及语义复杂等问题,本文提出了一种基于文本关键词图的方法。该方法通过关键词抽取技术挖掘文本中的关键词并建立文本关键词图。同时,通过图卷积网络进一步加强关键词之间的语义关联,并基于分离的注意力机制进行最终的分类。实验结果表明,基于文本关键词图的方法在标准数据集的多个指标上均超过了基准模型。

关键词：多标签文本分类注意力机制图卷积网络

来源：评论

学校读者我要写书评

暂无评论

基于编码解码神经网络结构的多标签文本分类

基于编码解码神经网络结构的多标签文本分类

引用

作者：彭祝亮广东工业大学

学位级别：硕士

随着互联网的蓬勃发展,网络信息已涉及许多领域,从人类发展历程可知,信息的主要载体是文本,因此解决多标签文本分类问题具有重要意义。近年来,深度学习技术在自然语言处理领域取得了革命性的进步,特别是在多标签文本分类中,基于深度学... 详细信息

随着互联网的蓬勃发展,网络信息已涉及许多领域,从人类发展历程可知,信息的主要载体是文本,因此解决多标签文本分类问题具有重要意义。近年来,深度学习技术在自然语言处理领域取得了革命性的进步,特别是在多标签文本分类中,基于深度学习的方法逐渐成为研究热点。目前,基于深度学习的多标签文本分类,普遍采用序列到序列的编码解码网络结构,其中解码部分常使用序列生成方式预测标签序列。然而,使用序列生成方式容易产生错误积累问题,即之前的预测错误被传送到后续的预测过程中。面对错误积累问题,虽然研究者提出了依赖标签频率的标签预测方法和采用非序列方式预测标签,但依赖标签频率的方法无法适用于标签频率经常发生变化的情况;而当前采用非序列方式预测标签的神经网络,没有引入标签信息或标签间相关性,导致与标签方面有关的大量特征被丢失。本文针对上述问题,提出了一种结合双向LSTM网络和标签注意力模块(bidirectional long short-term memory-label attention module,BLSTM-LAM)的网络模型,主要进行的研究工作如下:首先,本文提出的BLSTM-LAM网络模型采用序列到非序列的编码解码网络结构,其中编码部分为双向LSTM网络,解码部分为多个标签注意力模块。每个标签注意力模块之间是互不相关且独立计算的,所以采用多个标签注意力模块的非序列方式分别对标签进行预测,能阻断错误预测对后续过程的影响,有效解决了错误积累问题。其次,在BLSTM-LAM网络模型中由于每个标签注意力模块之间是相互独立的,所以当标签频率经常发生改变时,标签注意力模块之间互不影响,从而不需要依赖标签频率来提升模型性能,同时提高了网络模型的鲁棒性,有效解决了标签频率依赖问题。再次,目前解码部分常使用序列生成方式是为了引入标签信息或标签间相关性,捕捉有关标签方面的特征,从而提高多标签文本分类的精度。针对当前非序列方式的神经网络未能捕捉有关标签方面特征的问题,本文提出的BLSTM-LAM网络模型在每个标签注意力模块中,引入了不同的标签信息和标签间相关性,同时结合了注意力机制进行计算,有效解决了标签信息与标签间相关性引入问题。最后,通过实验数据集对BLSTM-LAM网络模型进行实验分析,结果表明,本文提出的网络模型在汉明损失、F1分数、子集准确率等指标上比其他经典多标签文本分类模型表现出了更优的性能水平,证明了本文提出模型的有效性。综上所述,本文针对目前神经网络在多标签文本分类领域中的不足之处,提出了BLSTM-LAM网络模型,该网络模型能充分提取文本和标签的有效信息,进一步提升多标签文本分类的精度。

关键词：多标签文本分类深度学习注意力机制双向LSTM网络

来源：评论

学校读者我要写书评

暂无评论

基于编码解码器与深度主题特征抽取的多标签文本分类

引用

南京师大学报（自然科学版） 2019年第4期42卷 61-68页

作者：陈文实刘心惠鲁明羽大连海事大学信息科学技术学院

本文提出了一种基于编码解码器与深度主题特征的模型,实现了多标签文本分类.针对传统多标签文本分类方法的特征语义缺失的问题,采用一种长短时记忆(long short-term memory,LSTM)网络提取文本的局部特征与主题模型(latent dirichlet all... 详细信息

本文提出了一种基于编码解码器与深度主题特征的模型,实现了多标签文本分类.针对传统多标签文本分类方法的特征语义缺失的问题,采用一种长短时记忆(long short-term memory,LSTM)网络提取文本的局部特征与主题模型(latent dirichlet allocation,LDA)提取文本的全局特征的深度主题特征提取模型(deep topic feature extraction model,DTFEM),得到具有文本深层语义特征的语义编码向量,并将该编码向量作为解码器网络的输入.解码器网络将多标签文本分类的任务看作序列生成的过程,解决了多标签文本分类的标签相关性的问题,并加入attention机制,计算注意力分布概率,突出关键输入对输出的作用,改进了由于输入过长导致的语义缺失问题,最终实现多标签文本分类.实验结果表明,该模型能够获得比传统的多标签文本分类系统更优的结果.另外,实验证明使用深度主题特征的方法可以提高多标签文本分类的性能.

关键词：多标签文本分类深度主题特征标签相关性编码解码器 attention机制

来源：评论

学校读者我要写书评

暂无评论

结合旋转森林和Ada Boost分类器的多标签文本分类方法

引用

计算机应用研究 2018年第12期35卷 3655-3658页

作者：韩栋王春华肖敏黄淮学院信息工程学院河南驻马店463000 武汉理工大学计算机科学与技术学院武汉430063

针对一些多标签文本分类算法没有考虑文本—术语相关性和准确率不高的问题,提出一种结合旋转森林和Ada Boost分类器的集成多标签文本分类方法。首先,通过旋转森林算法对样本集进行分割,通过特征变换将各样本子集映射到新的特征空间,形... 详细信息

针对一些多标签文本分类算法没有考虑文本—术语相关性和准确率不高的问题,提出一种结合旋转森林和Ada Boost分类器的集成多标签文本分类方法。首先,通过旋转森林算法对样本集进行分割,通过特征变换将各样本子集映射到新的特征空间,形成多个具有较大差异性的新样本子集。然后,基于Ada Boost算法,在样本子集中通过多次迭代构建多个Ada Boost基分类器。最后,通过概率平均法融合多个基分类器的决策结果,以此作出最终标签预测。在四个基准数据集上的实验结果表明,该方法在平均精确度、覆盖率、排名损失、汉明损失和1-错误率方面都具有优越的性能。

关键词：多标签文本分类文本—术语相关性旋转森林特征变换 Ada Boost分类器

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的多标签文本分类的研究与实现

基于深度学习的多标签文本分类的研究与实现

引用

作者：吕荣荣东南大学

学位级别：硕士

多标签文本分类是自然语言处理的核心研究领域,也是实现某些智能系统的关键技术。检索系统,推荐系统以及对话系统等智能系统中都有多标签文本分类技术的应用。这些复杂的应用中,多标签文本的内容可能是长文本,也可能是短文本,也有可能... 详细信息

多标签文本分类是自然语言处理的核心研究领域,也是实现某些智能系统的关键技术。检索系统,推荐系统以及对话系统等智能系统中都有多标签文本分类技术的应用。这些复杂的应用中,多标签文本的内容可能是长文本,也可能是短文本,也有可能附带上下文信息;多标签文本的标签可能数目巨大,可能不均衡,也有可能有依赖关系。例如多轮对话系统中的意图分类就是典型的多标签文本分类问题,对话数据的特点包括:短文本、带有上下文信息、不均衡和标签之间存在依赖关系。传统的机器学习方法在处理短文本的语义特征抽取上表现不足,处理带有上下文信息的短文本更是不佳。而深度学习在特征的自动学习和表达中有出色的发挥,且具有很好的建模能力。综合上述问题,本文针对多轮对话系统中的意图分类任务这个典型的多标签文本分类问题,提出了一个基于深度学习的多标签文本分类模型。本文主要的工作包括:1)针对多标签文本分类中上下文信息的抽取,提出利用参数式注意力机制抽取上下文信息。参数式注意力机制既能从上下文中抽取相似信息,又能抽取关联信息。2)针对多标签文本分类中上下文信息的控制,提出利用遗忘门来控制上下文信息。遗忘门通过控制信息的引入,避免了噪声的干扰,使得模型更加通用。3)利用微软公布的开源对话数据集,对基本模型和改进后的模型进行了性能评估和对比,并对实验结果进行了多角度的分析。实验结果表明,本文所提出的模型,在该数据集上取得了更好的分类效果。

关键词：多标签文本分类记忆网络注意力机制遗忘门

来源：评论

学校读者我要写书评

暂无评论

基于用户生成内容的多标签文本分类方法的研究与实现

基于用户生成内容的多标签文本分类方法的研究与实现

引用

作者：刘晋宏北京邮电大学

学位级别：硕士

随着Web2.0技术的发展,用户生成内容的模式已经成为发展最为迅速的资源创作和分享模式。在用户生成内容的模式下,生成了大量的多标签的文本数据。这些文本数据在信息检索、数据挖掘领域有广泛的应用。如何对这些多标签文本进行自动类别... 详细信息

随着Web2.0技术的发展,用户生成内容的模式已经成为发展最为迅速的资源创作和分享模式。在用户生成内容的模式下,生成了大量的多标签的文本数据。这些文本数据在信息检索、数据挖掘领域有广泛的应用。如何对这些多标签文本进行自动类别标记,是一个值得研究的问题。在传统的单标签分类问题中,每个样本仅属于一个类别标签,但是在多标签分类问题中,一个样本可以同时属于多个类别标签。多标签分类在数据预处理、特征选择、模型训练和预测等方面与单标签分类有很大的区别。多标签分类技术现已成为数据挖掘技术中的一个研究热点。其研究成果广泛地应用于不同的领域,如图像视频的语义标记、功能基因组和音乐情感分类等。在用户生成内容的场景中,不仅内容在以很快的速度进行更新,标签的数目也在不断发生变化,传统多标签分类算法并不能很好地适应这样的场景。同时,标签的大量增加,也带来了如何对数据高效地进行特征选择等问题。基于以上内容,本文的主要研究工作如下:1)提出了一种基于信息增益的快速多标签特征选择方法MLFSIG。该方法基于特征独立性假设,通过计算每一个特征对于标签集合的信息增益来计算特征的重要程度。通过对信息增益计算过程的优化,大大降低了算法的时间复杂度。本文在多个数据集上进行了实验,验证了算法的有效性。2)提出了一种基于重启动随机游走的多标签分类方法ML-RWR。该方法把多标签数据映射为图上顶点,通过不同的连接方式构造不同的随机游走图。对于新的样本,把它加入到随机游走图中开始随机游走,并通过随机游走结果来确定样本在标签上的概率分布。在本文中,我们构造了两种随机游走图,一种是基于KNN连接方式的随机游走图,另一种是基于标签中心点连接方式的随机游走图。文本基于标签中心点连接方式的随机游走图,提出了一种自适应的多标签分类方法,相比传统的多标签分类方法,该方法能更快地适应标签不断变化的场景。最后,本文在多个数据集上进行了实验,通过与多个算法在多个评价指标上进行比较,验证了算法的有效性。3)多标签文本分类原型系统的设计与实现。本文基于Django框架和MVC模式,设计了一个多标签文本分类原型系统。使用该系统可以快速进行多标签文本分类器的构建,完成数据处理、模型训练和数据预测等功能。

关键词：多标签文本分类随机游走特征选择信息增益

来源：评论

学校读者我要写书评

暂无评论

基于Word2vec的并行多标签文本分类方法

基于Word2vec的并行多标签文本分类方法

引用

作者：晏世凯重庆邮电大学

学位级别：硕士

伴随着信息技术的迅猛发展,互联网上的数据呈爆炸式的增长。Internet中存在着海量诸如文本、图像和音频等各种数据信息,文本数据与其他数据相比,具有占用网络资源小的特点,这使得网上的数据大多是以文本的形式呈现的。为了有效的组织、... 详细信息

伴随着信息技术的迅猛发展,互联网上的数据呈爆炸式的增长。Internet中存在着海量诸如文本、图像和音频等各种数据信息,文本数据与其他数据相比,具有占用网络资源小的特点,这使得网上的数据大多是以文本的形式呈现的。为了有效的组织、管理和利用这些文本数据,从中发现有价值的信息,基于机器学习的文本自动分类技术倍受关注。监督学习根据样本标签的个数可以分为单标签学习和多标签学习,多标签文本分类属于多标签学习,在多标签文本分类领域,每篇文档可能有一个或多个标签与之对应。近十年来,多标签学习取得了较大的发展,然而现有的研究中针对文本数据的多标签学习算法较少,多标签文本分类的性能也难以达到满意的效果,其面临的主要问题有:(1)特征空间的维度较高,且其中有较多的冗余特征;(2)样本输出空间的维度极大,学习任务更加困难,因此多标签学习算法的复杂度一般较高,在数据规模上升至十万级时,其效率较低。针对上述问题,本文的研究工作分为以下两个方面:1.将Word2vec引入经典的多标签分类算法ML-kNN,提出了一种基于Word2vec加权的ML-kNN多标签文本分类方法wMLkNN(Weighted Multi-Label k-Nearest Neighbor)。该方法首先基于Word2vec计算特征与标签之间的相关度,对于与标签关联度较高的特征,在ML-kNN模型学习时加大其权重,降低与标签关联度较低的冗余特征的权重,以提升多标签文本分类的精度。2.研究一种基于MPI的并行化ML-kNN算法。该方法首先在不影响算法精度的情况下改进ML-kNN算法中的距离度量公式,其目的是进一步提升并行的效率,再基于MPI将改进ML-kNN算法并行化,以提升多标签文本分类的效率。值得一提的是,本文针对文本数据特征维度较高的特点,提出了一种支持以特征为单位切分数据集的并行化方法,相比单一的以样本为单位切割数据集具有更高的效率。通过在多标签文本数据集的若干实验,验证了本文所提出模型的有效性和优越性。

关键词：多标签学习多标签文本分类 ML-kNN Word2vec

来源：评论

学校读者我要写书评

暂无评论

基于深度学习的多标签文本分类方法

基于深度学习的多标签文本分类方法

引用

作者：何原野云南大学

学位级别：硕士

心理健康问题已经成为现今社会生活关注的一个焦点问题,随着互联网技术的发展,网络求助逐渐成为人们咨询心理健康问题的一个重要渠道,心理健康网站应运而生。随着咨询问题的累积,心理健康网站积累了大量的心理学文本,这些文本包含了表... 详细信息

心理健康问题已经成为现今社会生活关注的一个焦点问题,随着互联网技术的发展,网络求助逐渐成为人们咨询心理健康问题的一个重要渠道,心理健康网站应运而生。随着咨询问题的累积,心理健康网站积累了大量的心理学文本,这些文本包含了表达不同心理疾病的情感标签,自动辨识这些情感标签,有助于快速的把相似的心理学文本推荐给正在网站上寻求帮助的患者。每篇心理学文本可能同时属于多个情感标签,所以心理学文本属于多标签文本,自动辨识这些情感标签的任务属于多标签文本分类问题。本文使用深度学习上的算法卷积神经网络（Convolutional Neural Network,CNN）和长短期记忆（Long Short-Term Memory,LSTM）搭建组合型深度神经网络BLSTMCNN（Bi-directional LSTM-CNN）分类器,来自动的从心理学文本中辨识情感标签。本文首先锁定词嵌入方法和词向量的维度。从文本的表示形式出发,引入中文维基百科文本数据,和心理学文本一起,使用word2vec和GloVe两种词嵌入技术,分别训练不同维度的词向量。利用词向量对心理学文本进行表示,并分析比较了不同方法训练的词向量和不同维度的词向量对本文实验结果的影响,挑选出最适合本文任务的词嵌入方法和词向量的维度。然后搭建分类器对心理学文本进行多标签分类。从网络结构的角度出发,使用预先训练好的词向量,分别搭建了 CNN分类器、LSTM分类器、LSTMCNN分类器以及BLSTMCNN分类器来进行分类。CNN模型能提取文本的局部特征,但不能整合文本的全局特征。LSTM模型能整合文本的全局特征,但不适合针对文本的多标签特性进行特征提取。本文搭建的组合型深度神经网络BLSTMCNN分类器能整合文本的全局特征和局部特征,并适应文本的多标签特性。实验结果表明,在多标签分类的评估指标macro_fl上,本文搭建的组合型深度神经网络BLSTM CNN分类器优于单独使用CNN或LSTM模型搭建的分类器,以及组合使用CNN和LSTM模型搭建的LSTMCNN分类器。验证了 BLSTMCNN分类器在多标签文本分类上的有效性。

关键词：多标签文本分类深度学习卷积神经网络长短期记忆

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：