基于联合模型的应急文本分类研究
为解决应急信息数据杂乱无章、缺乏高效管理等问题,通过结合长短时记忆网络(long-term and short-term memory network,LSTM)与卷积神经网络(Convolutional Neural Networks,CNN)两个传统深度学习模型,提出一种基于LSTM-TextCNN联合模型的改进应急文本分类方法.通过收集大量的应急文本作为实验数据集和相应的预处理,运用word2vec模型将应急文本训练成词向量,再以拼接后的词向量表示文本,进而构建出LSTM-TextCNN联合模型以提取文本的抽象特征,最后将提取到的抽象特征输入到softmax分类器中完成应急文本的分类.将基于LSTM-TextCNN联合模型的改进应急文本分类方法分别与传统的分类方法支持向量机(Support Vector Machine,SVM)、单模型LSTM、单模型TextCNN进行对比分析.实例结果表明:基于LSTM-TextCNN联合模型的改进应急文本分类方法在精确率、召回率和F1值三个评价指标上较SVM有明显的提高,体现了深度学习在解决应急文本分类问题中的优越性;基于LSTM-TextCNN联合模型的应急文本分类方法分类效果较单模型LSTM模型或TextCNN模型均好,体现了联合模型的高效性.
深度学习、应急文本分类、LSTM-TextCNN、word2vec
18
TP183(自动化基础理论)
2022-04-18(万方平台首次上网日期,不代表论文的发表时间)
共5页
95-99