基于BiGRU-CapsNet模型的文本分类研究

发布时间：2021-02-27 16:05

　　随着科学技术水平不断提高,互联网得到迅速发展,以互联网为纽带带动了包括商业贸易、服务业、娱乐休闲、公益等各个行业迅速发展,人们的生活方式、工作方式也产生了巨大的改变。文本作为网络信息的主要承载形式,数据量飞速增长,涉及的领域也更加广泛,例如产生了大量电影评论、新闻信息、论坛交流信息、微博评论、商品评论等涉及多个产业领域的网络文本信息。这些文本信息数据量巨大,包含丰富的信息。将这些文本进行自动分类后可以了解发布信息者的真正意图,有助于经济的发展、各个行业带头企业的方向导航、政府的决策完善。近年来,深度学习（Deep Learning）作为人工智能领域最重要的进展,在诸多领域都有着惊人的表现。大量研究表明,相比于传统的机器学习算法,深度学习中的许多网络模型都能够获得更加出色的性能。基于BiGRU模型的文本分类是目前最主流的文本分类方法,在分类效果上有不错的表现。本文尝试在BiGRU模型的基础上,采用更加适合文本分类的深度学习算法进行文本分类模型搭建,主要工作包括以下几个方面:首先对文本分类的一般流程进行了概述,包括文本预处理、文本表示、文本特征提取、文本分类训练、文本分类以及性能评估。通过... 

【文章来源】：陕西师范大学陕西省 211工程院校 教育部直属院校

【文章页数】：53 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本论文的主要研究内容及章节安排
第2章 文本分类流程及原理
    2.1 文本预处理
    2.2 文本表示
        2.2.1 独热编码表示
        2.2.2 分布表示
    2.3 特征选择及特征抽取
    2.4 传统分类算法
    2.5 分类性能评估方法
    2.6 本章小结
第3章 BiGRU-CapsNet模型
    3.1 从CNN到CapsNet
    3.2 从RNN到BiGRU
    3.3 BiGRU网络与CapsNet网络优化模型
    3.4 本章小结
第4章 基于BiGRU-CapsNet模型的文本分类
    4.1 数据预处理与文本表示过程
    4.2 BiGRU-CapsNet模型构建
        4.2.1 Embedding层
        4.2.2 BiGRU-CapsNet层
        4.2.3 全连接层
    4.3 BiGRU-CapsNet文本分类模型实验结果及分析
        4.3.1 网络梯度算法迭代次数选择
        4.3.2 模型激活函数的选择
        4.3.3 截取文本长度的大小
        4.3.4 模型分类结果
        4.3.5 BiGRU-CapsNet分类模型在DonorsChoose数据集的适用性
    4.4 BiGRU-CapsNet模型与BiGRU模型性能对比分析
        4.4.1 BiGRU模型的构建与训练
        4.4.2 BiGRU-CapsNet模型与BiGRU模型文本分类结果对比分析
    4.5 本章小结
第5章 总结与展望
    5.1 本文总结
    5.2 研究展望
参考文献
致谢


【参考文献】：
期刊论文
[1]基于决策树的文本分类研究[J]. 田苗苗.  吉林师范大学学报(自然科学版). 2008(01)
[2]文本分类综述[J]. 靳小波.  自动化博览. 2006(S1)
[3]现代贝叶斯分析与现代统计推断[J]. 刘乐平,袁卫.  经济理论与经济管理. 2004(06)

博士论文
[1]文本分类及其特征降维研究[D]. 廖一星.浙江大学 2012

硕士论文
[1]基于词向量的文本分类算法研究与改进[D]. 王明亚.华东师范大学 2016
[2]不规范英文文本分词系统的设计与实现[D]. 韩伟.大连理工大学 2015
[3]基于中文信息检索的文本预处理研究[D]. 何金凤.电子科技大学 2008



本文编号：3054469