典型文献
基于GloVe模型和注意力机制Bi-LSTM的文本分类方法
文献摘要：
为了提高文本分类的准确性,扩展分类任务的多样性,提出一种结合一维卷积神经网络(1D-CNN)和双向长短期记忆网络(Bi-LSTM)的文本分类方法.首先,为了解决近义词、多义词的表征困难,采用GloVe模型表示词特征,充分利用全局信息和共现窗口的优势.然后,利用1D-CNN进行特征提取,以降低分类器或预测模型的输入特征维数.最后,对分类模块Bi-LSTM进行优化,其隐藏层由两个残差块组成,并引入注意力机制进一步改善预测的准确度.在多个公开数据集中进行二元分类和多元主题分类实验.实验结果表明,与其他优秀方法相比,所提方法在准确率、召回率和F1得分方面的性能更优,最高准确度达92.5％,最高F1得分为91.3％.
文献关键词：
文本分类;GloVe模型;一维卷积神经网络;双向长短期记忆网络;注意力
中图分类号：
作者姓名：
周燕
作者机构：
华南农业大学数学与信息学院 广州510642
文献出处：
引用格式：
[1]周燕-.基于GloVe模型和注意力机制Bi-LSTM的文本分类方法)[J].电子测量技术,2022(07):42-47
A类：
B类：
GloVe,注意力机制,Bi,文本分类方法,分类任务,一维卷积神经网络,1D,双向长短期记忆网络,近义词,多义词,模型表示,词特征,全局信息,分类器,输入特征,残差块,公开数据集,二元分类,多元主题,主题分类,召回率,高准确度
AB值：
0.29031
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。
