10.11896/j.issn.1002-137X.2018.06.042
基于BGRU池的卷积神经网络文本分类模型
针对深度学习在处理文本分类问题时存在的适应度小、精确度较低等问题,提出一种采用双向门控循环单元(BGRU)进行池化的改进卷积神经网络模型.在池化阶段,将BGRU产生的中间句子表示与由卷积层得到的局部表示进行对比,将相似度高的判定为重要信息,并通过增大其权重来保留此信息.该模型可以进行端到端的训练,对多种类型的文本进行训练,适应性较强.实验结果表明,相较于其他同类模型,提出的改进模型在学习能力上有较大优势,分类精度也有显著提高.
深度学习、卷积神经网络、双向门控循环单元、文本分类
45
TP183;TP391(自动化基础理论)
江苏省高校自然科学基金资助项目12KJBS10007
2018-08-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
235-240