典型文献
基于注意力机制的双通道DAC-RNN文本分类模型
文献摘要：
在对中文文本进行分类的过程中,由于关键特征在整个文本中具有分布不均匀的特点,容易出现关键特征丢失的问题,降低了分类的准确性.针对这一问题,提出一种基于注意力机制的双通道文本分类模型.将输入文本通过词嵌入进行向量表示,利用Bi-LSTM通道提取文本中的上下文关联信息,利用CNN通道提取文本中连续词间的局部特征.在两个通道中均引入注意力机制进行全局权重分配,使模型能够进一步关注到文本中的关键词.在CNN通道中,将原始输入向量与各层CNN的输出向量进行选择性融合,从而实现特征重利用.在今日头条和THUCNews两个公开数据集上进行性能评估,实验结果表明,与其他分类模型相比,所提模型的分类准确率分别为97.59％、90.09％,具有更好的分类性能.
文献关键词：
文本分类;卷积神经网络(CNN);注意力机制;双通道;特征重利用
中图分类号：
作者姓名：
李启行;廖薇;孟静雯
作者机构：
上海工程技术大学 电子电气工程学院,上海 201620
文献出处：
引用格式：
[1]李启行;廖薇;孟静雯-.基于注意力机制的双通道DAC-RNN文本分类模型)[J].计算机工程与应用,2022(16):157-163
A类：
特征重利用
B类：
注意力机制,双通道,DAC,RNN,文本分类,分类模型,中文文本,关键特征,分布不均匀,词嵌入,行向量,向量表示,Bi,上下文,联信,局部特征,权重分配,注到,选择性融合,今日头条,THUCNews,公开数据集,性能评估,分类准确率,分类性能
AB值：
0.372708
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。
