基于改进卷积神经网络的短文本分类模型

• 作者: 吴川 朱明 高云龙
• 来源期刊: 吉林大学学报（理学版）
• 学科: 工学
• 关键词: 卷积神经网络 短文本 概念分布式表示 稀疏 自编码
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 计算机科学
• 页码范围: 923-930
• 页数: 8页
• 分类号: TP181
• 字数: 4715字
• 语种: 中文
• DOI: 10.13413/j.cnki.jdxblxb.2019422

摘要

基于卷积神经网络,提出一种基于改进卷积神经网络的短文本分类模型.首先,采用不同编码方式将短文本映射到不同空间下的分布式表示,提取不同粒度的数字特征作为短文本分类模型的多通道输入,并根据标准知识库提取概念特征作为先验知识,提高短文本的语义表征能力;其次,在全连接层增加自编码学习策略,在近似恒等的基础上进一步组合数字特征,模拟数据内部的关联性;最后,利用相对熵原理为模型增加稀疏性限制,降低模型复杂度的同时提高模型的泛化能力.通过对开源数据集进行短文本分类实验,验证了模型的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	朱明	中国科学院长春光学精密机械与物理研究所	228	2519	25.0	40.0
2	吴川	中国科学院长春光学精密机械与物理研究所	25	334	10.0	18.0
3	高云龙	中国科学院长春光学精密机械与物理研究所	1	0	0.0	0.0