基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
传统方法对在线学习文本进行特征筛选往往费时费力且迁移性较差。针对这一问题,根据在线学习文本短,专业词汇多,文本间结构信息丰富等特点,提出基于LSTM/GCN对Doc2Vec所得文本向量中文本–文本关系进行强化的文本嵌入方法,以解决传统方法中文本在投影到嵌入空间后结构信息丢失的问题。并提出指标MeanRank用于量化文本向量中结构信息的留存情况。实验结果表明,方法在指标MeanRank和文本分类精度上优于传统方法。可视化结果表明,增加结构向量使得文本向量在课程内部具有一致连贯性,在课程间更有区分度。
推荐文章
基于LSTM-Attention神经网络的文本特征提取方法
LSTM-Attention
注意力机制
文本分类
神经网络
文本特征提取
softmax
基于深度学习的文本特征提取研究综述
深度学习
特征提取
文本特征
自然语言处理
文本挖掘
基于LSTM-Attention神经网络的文本特征提取方法
LSTM-Attention
注意力机制
文本分类
神经网络
文本特征提取
softmax
运用CNN-LSTM混合模型的短文本分类
短文本
卷积神经网络
长短时记忆网络
CNN-LSTM混合模型
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于LSTM/GCN的在线学习文本特征提取方法
来源期刊 计算机科学与应用 学科 教育
关键词 特征提取 学习分析 图神经网络
年,卷(期) 2021,(3) 所属期刊栏目
研究方向 页码范围 770-781
页数 12页 分类号 G63
字数 语种
DOI
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (1)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2019(1)
  • 参考文献(1)
  • 二级参考文献(0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
特征提取
学习分析
图神经网络
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
计算机科学与应用
月刊
2161-8801
武汉市江夏区汤逊湖北路38号光谷总部空间
出版文献量(篇)
1319
总下载数(次)
15
总被引数(次)
0
论文1v1指导