基于改进的CBOW与BI-LSTM-ATT的文本分类研究
王辉
潘俊辉
王浩畅
张强
张岩
东北石油大学计算机与信息技术学院 大庆 163318
摘要：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.
关键词：深度学习CBOWLSTM注意机制文本分类
分类号：TP391.1(计算技术、计算机技术)
资助基金：国家自然科学基金(61702093)黑龙江省自然科学基金(2018003)创新基金(2020YDL-18)
论文发表日期：2021-07-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 1372-1376 )
英文信息