全局和局部特征动态融合的文本分类模型

摘要：

现有文本分类模型对文本的全局信息和局部信息利用不足,导致文本分类性能较差.针对这一问题,提出一种将文本的全局和局部特征动态融合(global and local features dynamic fusion,GLFDF)的分类模型.所提模型首先设计动态融合增强模块动态控制文本的全局时序特征与局部语义特征融入单词嵌入矩阵的每个特定位置;其次,将融合全局和局部特征的嵌入矩阵馈送到特征提取模块中进行特征提取;最后,在Ohsumed和THUCNews数据集上测试所提模型的效果.实验结果表明:GLFDF模型在2个数据集上的F1值分别达到63.24％和92.50％,优于其他文本分类模型,提高了文本分类的性能.由消融实验分析可知,动态融合增强模块可以充分融合文本的全局时序特征和局部语义特征,有效解决文本分类模型对全局信息和局部信息利用不足的问题.

关键词：自然语言处理、文本分类、动态融合、门控机制、卷积神经网络、循环神经网络

所属期刊栏目：38

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;安徽理工大学青年基金项目

在线出版日期：2024-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：97-105,112