基于深度信念网络的文本分类算法

• 作者: 陈翠平
• 来源期刊: 计算机系统应用
• 关键词: 文本分类 受限玻尔兹曼机 深度信念网络 softmax回归分类器 文本特征
• 年，卷（期）: 2015,（2）
• 所属期刊栏目: 软件技术?算法
• 页码范围: 121-126
• 页数: 6页
• 字数: 4445字
• 语种: 中文

摘要

随着网络的迅猛发展，文本分类成为处理和组织大量文档数据的关键技术。目前已经有许多不同类型的神经网络应用于文本分类，并且取得良好的效果。但是，大部分模型仅采用文档的少量特征作为输入，没有考虑到足够的信息量；而当考虑到足够的特征时，又会发生维数灾难，导致模型难以训练或者训练时间大幅增加。利用深度信念网络从文本中抽取特征，并利用 softmax 回归分类器对抽取后的特征分类。深度信念网络不仅具有强大的学习能力，同时还能从高维的原始特征中抽取低维度高度可区分的低维特征，因此利用深度信念网络来对文本分类，不仅能够考虑到文档的足够的信息量，而且能够快速的训练。并且实验结果也表明利用深度信念网络实现文本分类的性能很好。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈翠平	同济大学计算机软件与理论系	1	81	1.0	1.0