Print

集成学习在短文本分类中的应用研究

论文摘要

为了进一步提高基于深度神经网络短文本分类性能,提出将集成学习方法应用于5种不同的神经网络文本分类器,即卷积神经网络、双向长短时记忆网络、卷积循环神经网络、循环卷积神经网络、分层注意力机制神经网络,分别对两种集成学习方法(Bagging,Stacking)进行了测试。实验结果表明:将多个神经网络短文本分类器进行集成的分类性能要优于单一文本分类模型;进一步两两集成的实验验证了单个模型对短文本分类性能的贡献率。

论文目录

  • 0 引言
  • 1 基分类器短文本分类方法
  •   1.1 卷积神经网络
  •   1.2 双向长短时记忆网络
  •   1.3 循环卷积神经网络
  •   1.4 卷积循环神经网络
  •   1.5 分层注意力机制
  • 2 集成学习方法
  •   2.1 基于Bagging的集成学习方法
  •   2.2 基于Stacking的组合分类方法
  • 3 实验分析与比较
  •   3.1 实验数据及评价指标
  •   3.2 词嵌入向量的生成
  •   3.3 损失函数
  •   3.4 模型方法与环境配置
  •   3.5 实验结果与分析
  •     3.5.1 词嵌入方式
  •     3.5.2 集成学习的有效性
  •     3.5.3 基学习器的贡献率
  • 4 结语

    • 文章来源

    类型: 期刊论文

    作者: 王国薇,黄浩,周刚,胡英

    关键词: 短文本分类,机器学习,深度学习,集成学习

    来源: 现代电子技术 2019年24期

    年度: 2019

    分类: 信息科技

    专业: 计算机软件及计算机应用,自动化技术

    单位: 新疆大学信息科学与工程学院

    基金: 国家重点研发计划项目（2017YFB1402101）,国家自然科学基金（61663044）,国家自然科学基金（61761041）,国家自然科学基金（61603323）,新疆大学博士科研启动基金(BS160239)~~

    分类号: TP181;TP391.1

    DOI: 10.16652/j.issn.1004-373x.2019.24.034

    页码: 140-145

    总页数: 6

    文件大小: 1586K

    下载量: 336

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/e6c73b8a5987d8d7769994f1.html