论文摘要
本文提出了一种基于编码解码器与深度主题特征的模型,实现了多标签文本分类.针对传统多标签文本分类方法的特征语义缺失的问题,采用一种长短时记忆（long short-term memory,LSTM）网络提取文本的局部特征与主题模型（latent dirichlet allocation,LDA）提取文本的全局特征的深度主题特征提取模型（deep topic feature extraction model,DTFEM）,得到具有文本深层语义特征的语义编码向量,并将该编码向量作为解码器网络的输入.解码器网络将多标签文本分类的任务看作序列生成的过程,解决了多标签文本分类的标签相关性的问题,并加入attention机制,计算注意力分布概率,突出关键输入对输出的作用,改进了由于输入过长导致的语义缺失问题,最终实现多标签文本分类.实验结果表明,该模型能够获得比传统的多标签文本分类系统更优的结果.另外,实验证明使用深度主题特征的方法可以提高多标签文本分类的性能.
论文目录
文章来源
类型: 期刊论文
作者: 陈文实,刘心惠,鲁明羽
关键词: 多标签文本分类,深度主题特征,标签相关性,编码解码器,机制
来源: 南京师大学报(自然科学版) 2019年04期
年度: 2019
分类: 基础科学,信息科技
专业: 计算机软件及计算机应用
单位: 大连海事大学信息科学技术学院
基金: 国家自然科学基金(61073133)
分类号: TP391.1
页码: 61-68
总页数: 8
文件大小: 499K
下载量: 277