融合注意力门控神经网络和Stacking算法的文本分类方法
邹旺
张吴波
湖北汽车工业学院电气与信息工程学院 十堰 442000
摘要：为了更好地解决传统单分类器的泛化能力低和分类精度欠缺,并缺少对文本中关键信息的重点关注等问题,提出一种融合注意力门控神经网络(Attention Gated Neural Network,AGNN)和Stacking算法的文本分类模型AGNN-Stack-ing.在特征提取方面,AGNN模型采用分别引入注意力机制的BiLSTM与BiGRU模型的并行结构,对文本中关键特征提取更丰富;在文本分类方面,Stacking算法融合五种差异基分类器的优点,能提高文本分类的准确性,并且拥有较好的泛化能力与稳定性.在ChineseNLPCorpus数据集上,实验结果表明,该分类方法与机器学习算法和单一神经网络模型相比能有效地提高文本分类的精度.
关键词：单分类器精度门控神经网络特征提取泛化能力
分类号：TP391.1(计算技术、计算机技术)
资助基金：湖北省重点研究项目(TA02002)湖北省中央引导地方科技发展专项(2018ZYYD007)
论文发表日期：2024-12-20
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：8( 3568-3574,3600 )
英文信息