基于卷积神经网络的互联网短文本分类方法

• 作者: 刘小明 郑秋生 郭东亮
• 来源期刊: 计算机与现代化
• 学科: 工学
• 关键词: 卷积神经网络 短文本分类 深度学习 机器学习
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 人工智能
• 页码范围: 78-81
• 页数: 4页
• 分类号: TP391
• 字数: 3799字
• 语种: 中文
• DOI: 10.3969/j.issn.1006-2475.2017.04.016

摘要

互联网短文本的分类是自然语言处理的一个研究热点.本文提出一种基于卷积神经网络(Convolutional Neural Networks,CNNs)互联网短文本分类方法.首先通过Word2vec的Skip-gram模型获得短文特征,接着送入CNNs中进一步提取高层次特征,最后通过K-max池化操作后放入Softmax分类器得出分类模型.在实验中,该方法和机器学习方法以及DBN方法相比,结果表明本文方法不仅解决了文本向量的维数灾难和局部最优解问题,而且有效地提高了互联网短文本两级分类准确率,证实了基于CNNs的互联网短文本分类的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郑秋生	中原工学院计算机学院	75	412	12.0	16.0
2	刘小明	中原工学院计算机学院	8	56	4.0	7.0
3	郭东亮	中原工学院计算机学院	1	25	1.0	1.0