交通信息标准条款BLSTM和CNN链式模型分类方法

• 作者: 张绍阳 王珂 范维克 陈博远
• 来源期刊: 江苏大学学报（自然科学版）
• 学科: 工学
• 关键词: 文本分类 文本表示 BLSTM 卷积神经网络 交通信息标准条款 语义增强
• 年，卷（期）: 2020,（2）
• 页码范围: 143-148
• 页数: 6页
• 分类号: TP391.9
• 字数: 5426字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-7775.2020.02.004

摘要

为了有效获取交通运输信息标准中的一致性条款,简化标准测试方法,针对现有文本分类方法中卷积神经网络存在的缺少上下文含义和循环神经网络存在的梯度消失及梯度弥散等问题,提出一种基于BLSTM的文本增强表示方法和基于CNN网络的语句分类相结合的方法进行一致性条款分类.其核心思想是将BLSTM前向和后向过程产生的向量相加,然后与原文本向量拼接作为文本的向量表示,将文本向量作为CNN网络的输入进行文本分类.为验证所提模型的有效性,设置了与传统机器模型TF-IDF+SVM、单CNN、BLSTM神经网络模型及经典混合模型的对比试验.通过构造的交通运输信息标准条款数据集测试表明,基于改进的BLSTM和CNN的链式混合神经网络模型准确率达到93.77％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张绍阳	长安大学信息工程学院	42	258	9.0	14.0
2	王珂	长安大学信息工程学院	21	51	4.0	7.0
3	陈博远	长安大学信息工程学院	2	0	0.0	0.0
4	范维克	长安大学信息工程学院	1	0	0.0	0.0