典型文献
融合文本图卷积和集成学习的文本分类方法
文献摘要：
为了提高文本分类的准确率并解决文本图卷积神经网络对节点特征利用不足的问题,提出了一种新的文本分类模型,其内在融合了文本图卷积和Stacking集成学习方法的优点.该模型首先通过文本图卷积神经网络学习文档和词的全局表达以及文档的语法结构信息,再通过集成学习对文本图卷积提取的特征进行二次学习,以弥补文本图卷积节点特征利用不足的问题,提升单标签文本分类的准确率以及整个模型泛化能力.为了降低集成学习的时间消耗,移除了集成学习中的k折交叉验证机制,融合算法实现了文本图卷积和Stacking集成学习方法的关联.在R8、R52、MR、Ohsumed、20NG等数据集上的分类效果相对于传统的分类模型分别提升了1.5％、2.5％、11％、12％、7％以上,该方法在同领域的分类算法比较中表现优异.
文献关键词：
文本表示;文本分类;文本图卷积;集成学习;融合模型
中图分类号：
作者姓名：
周玄郎;邱卫根;张立臣
作者机构：
广东工业大学 计算机学院,广州510006
文献出处：
引用格式：
[1]周玄郎;邱卫根;张立臣-.融合文本图卷积和集成学习的文本分类方法)[J].计算机应用研究,2022(09):2621-2625
A类：
文本图卷积,Ohsumed,20NG
B类：
文本分类方法,图卷积神经网络,节点特征,分类模型,Stacking,集成学习方法,神经网络学习,习文,文档,语法结构,结构信息,单标签,模型泛化,泛化能力,移除,交叉验证,融合算法,算法实现,R8,R52,MR,分类效果,分类算法,算法比较,文本表示,融合模型
AB值：
0.243588
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
