典型文献
基于图深度学习的金融文本多标签分类算法
文献摘要：
金融文本多标签分类算法可以根据用户需求在海量金融资讯中实现信息检索.为进一步提升金融文本标签识别能力,建模金融文本多标签分类中标签之间的相关性,提出基于图深度学习的金融文本多标签分类算法.图深度学习通过深度网络学习局部和全局的图结构特征,可以刻画节点之间的复杂关系.通过建模标签关联实现标签之间的知识迁移,是构造具有强泛化能力算法的关键.所提算法结合标签之间的关联信息,采用基于双向门控循环网络和标签注意力机制得到的新闻文本对应不同标签的特征表示,通过图神经网络学习标签之间的复杂依赖关系.在真实数据集上的实验结果表明,显式建模标签之间的相关性能够极大地增强模型的泛化能力,在尾部标签上的性能提升尤其显著,相比CAML、BIGRU-LWAN和ZACNN算法,该算法在所有标签和尾部标签的宏观F1值上最高提升3.1％和6.9％.
文献关键词：
文本多标签分类;深度学习;图神经网络;注意力网络;金融文本
中图分类号：
作者姓名：
金雨澄;王清钦;高剑;苗仲辰;林越峰;项雅丽;熊贇
作者机构：
复旦大学 计算机科学技术学院,上海 210438;上海市数据科学重点实验室,上海 200438;上海金融期货信息技术有限公司,上海200120
文献出处：
引用格式：
[1]金雨澄;王清钦;高剑;苗仲辰;林越峰;项雅丽;熊贇-.基于图深度学习的金融文本多标签分类算法)[J].计算机工程,2022(04):16-21
A类：
CAML,LWAN,ZACNN
B类：
图深度学习,金融文本,文本多标签分类,分类算法,用户需求,资讯,信息检索,标签识别,识别能力,中标,学习通,深度网络,图结构,复杂关系,知识迁移,泛化能力,联信,双向门控循环网络,标签注意力机制,新闻文本,特征表示,图神经网络,神经网络学习,学习标签,依赖关系,真实数据,显式,相关性能,增强模型,尾部,部标,签上,性能提升,BIGRU,注意力网络
AB值：
0.309659
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。
