典型文献
基于改进TextCNN短文本分类方法研究
文献摘要：
原始TextCNN深度神经网络模型在短文本分类过程中,首先将Embedding经过卷积后直接使用最大池化操作将词向量调整成1的长度,虽然保留了最显著的特征也会损失掉一部分信息.针对直接使用maxpool造成的信息丢失问题,首先利用全局注意力机制对词向量中的每个元素进行权重赋值,从而突出显著特征抑制无用特征.继而融合了平均池化和最大池化操作,使用MLP层进一步提取平均池化和最大池化产生的特征,提升特征的全局表示能力.最后通过两者相加,融合平均池化和最大池化产生的特征,并经过softsign激活后得到最终的词向量表示特征.所提出的方法在精确率、准确率、召回率、和F1值上均有所提升,其值分别是0.9145、0.9140、0.9129和0.9131,优于原始TextCNN、TextRNN、DPCNN,能在短文本分类中较好的识别.
文献关键词：
TextCNN;短文本分类;词向量;全局注意力机制;MLP
中图分类号：
作者姓名：
董晨
作者机构：
安徽理工大学电气与信息工程学院 安徽淮南 232001
文献出处：
引用格式：
[1]董晨-.基于改进TextCNN短文本分类方法研究)[J].信息技术与信息化,2022(07):47-49,57
A类：
maxpool,softsign
B类：
TextCNN,短文本分类,文本分类方法,深度神经网络模型,分类过程,Embedding,最大池化,池化操作,词向量,整成,失掉,部分信息,信息丢失,全局注意力机制,行权,权重赋值,显著特征,特征抑制,无用,平均池化,MLP,层进,取平,全局表示,示能,相加,向量表示,精确率,召回率,TextRNN,DPCNN
AB值：
0.339999
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。
