基于Bagging的精确有效图书分类多基模型框架
A multi-base model framework for accurate and effective book classification based on Bagging
沈雅婷 1邵莹 1宗平 1卞恺1
作者信息
- 1. 南京理工大学紫金学院计算机学院,南京 210023
- 折叠
摘要
为了提高智慧图书馆图书分类效果,提出模型Bagging_Bert(简称B_Bert,基于自举汇聚法的有效文本分类模型).B_Bert在Bert(基于神经网络的自然语言处理预训练技术)基础上,运用Bag-ging(引导聚集算法),选出最优参数组并组成多基模型框架,再通过投票机制确定最终类别.实验显示,无论在哪种分类标准和数据规模下,B_Bert的四个概率指标均领先Bert、fastText(快速文本分类算法)和TextCNN(文本卷积神经网络),另外B_Bert在细粒度分类下性能改进更明显,且当数据规模小时并不影响B_Bert的性能优势.因此,B_Bert的分类效果较Bert、fastText和TextCNN具有一定的竞争力.
Abstract
In order to improve the book classification effect of the smart library,the model Bagging_Bert(short for B_Bert,an effective text classification model based on bootstrap aggregation)is proposed.Based on Bert(natural language processing pre-training technology based on neural network),B_Bert uses Bag-ging(bootstrap aggregating)to select the optimal parameter array and form a multi-base model framework,and then determines the final category through voting mechanism.Experiments show that whichever the classification criteria and data size is,B_Bert's four probability indicators are ahead of Bert,fastText(fast text classification algorithm)and TextCNN(text convolution neural network).In addition,B_Bert's per-formance improvement is more obvious under fine-grained classification,and when the data size is small,it does not affect B_Bert's performance advantages.Therefore,The classification effect of B_Bert is more competitive than Bert,fastText and TextCNN.
关键词
图书分类/自然语言处理/引导聚集算法/多基模型/文本分类Key words
book classification/natural language processing/bootstrap aggregating/multibase model/text classification引用本文复制引用
基金项目
江苏省高等学校自然科学研究项目(21KJB520009)
江苏高校哲学社会科学研究项目(2021SJA2253)
全国高等院校计算机基础教育研究会计算机基础教育教学研究项目(2021-AFCEC-332)
南京理工大学紫金学院科学研究项目(2021ZRKX0401004)
江苏省大学生创新创业项目(202213654019Y)
出版年
2024
NETL
NSTL
万方数据