首页|基于改进的CBOW与BI-LSTM-ATT的文本分类研究

基于改进的CBOW与BI-LSTM-ATT的文本分类研究

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
特征词的选取与文本表示是文本分类信息预处理的核心问题之一,鉴于此,论文提出一种改进的加权连续词袋模型(CBOW)与基于注意力机制的双向长短期记忆网络模型(BI-LASM-ATT)应用于文本分类研究.该模型以词频作为特征选择依据,改进了频次与反频次,利用加权CBOW模型得到词向量表示,作为BI-LSTM-ATT模型的词嵌入层,得到Soft-max分类器分类结果.论文在复旦大学提供的语料集的实验结果表明,该模型在文本分类的精确率、召回率、F_meature效果对比中,比传统机器学习和深度学习算法均有明显提高.
Text Classification Research Based on Improved CBOW and BI-LSTM-ATT

王辉、潘俊辉、王浩畅、张强、张岩

展开 >

东北石油大学计算机与信息技术学院 大庆 163318

深度学习 CBOW LSTM 注意机制 文本分类

6170209320180032020YDL-18

2021

10.3969/j.issn.1672-9722.2021.07.019

计算机与数字工程
中国船舶重工集团公司第七0九研究所

计算机与数字工程

CSTPCD
影响因子：0.355
ISSN：1672-9722
年,卷(期)：2021.49(7)
  • 4
  • 6