典型文献
基于Bi-LSTM与双路CNN的金融领域文本因果关系识别
文献摘要：
[目的]提出一种结合Bi-LSTM与双路CNN的网络模型BTCNN(Bi-LSTM and Two-way CNN),用于解决金融领域因果关系识别过程中特征信息缺失的问题,从而提高因果关系识别的准确率.[方法]利用Bi-LSTM将金融文本生成文本特征矩阵,使用卷积核不同的双路CNN对文本特征矩阵中的因果特征进一步提取,对采用两种不同池化方式(最大池化和平均池化)得到的特征向量进行拼接,最终将拼接后的特征向量输入全连接层进行输出.[结果]BTCNN模型准确率达到82.3％,相较于其他消融实验准确率至少提升3个百分点.[局限]未针对金融领域设置特定的功能模块.[结论]实验结果表明BTCNN模型提高了因果关系识别的准确率.
文献关键词：
金融文本;因果识别;双向长短期记忆网络;双路CNN
中图分类号：
作者姓名：
张顺香;张镇江;朱广丽;赵彤;黄菊
作者机构：
安徽理工大学计算机科学与工程学院 淮南 232001;合肥综合性国家科学中心人工智能研究院 合肥 230088
文献出处：
引用格式：
[1]张顺香;张镇江;朱广丽;赵彤;黄菊-.基于Bi-LSTM与双路CNN的金融领域文本因果关系识别)[J].数据分析与知识发现,2022(07):118-127
A类：
BTCNN
B类：
Bi,双路,金融领域,因果关系,关系识别,Two,way,识别过程,特征信息,信息缺失,金融文本,文本生成,成文,文本特征,特征矩阵,卷积核,最大池化,平均池化,特征向量,拼接,终将,全连接层,层进,模型准确率,消融实验,少提,百分点,功能模块,因果识别,双向长短期记忆网络
AB值：
0.329546
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。
