基于深度学习的中文文本分类算法研究

发布时间：2023-09-17 07:36

　　文本分类是一个典型且基础性较强的研究领域。传统方法是将文本分门别类后依靠人工手段获取特征信息,深度学习方法是将特征提取和分类融为一体,已取代了传统方法,可自动获取特征信息,特别是在数据挖掘、自然语言处理、计算机视觉等方面应用广泛。新闻文本分类是自然语言处理中不可替代的技术,新闻是人们获取最新消息、了解时事信息的最佳手段,使用高效的方法实现新闻文本分类具有重大意义及价值。本文深刻分析了传统文本分类方法存在的劣势,着重研究深度学习方法中的卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)在新闻文本分类中的应用。论文完成的主要内容如下:(1)针对文本分类中TCNN模型不能充分获取文本局部特征和关键词信息,RCNN模型不能充分提取文本上下文特征信息的问题,论文提出了TC-AM模型和GCNN模型文本分类算法。TC-AM模型使用三层卷积池化操作获取文本局部特征,引入双通道注意力机制(DAM)使得文本表示的特征更具代表性,给文本信息分配相应的权重,获取关键词信息。GCNN模型采用双通道前后向双向门...

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 本文组织结构
2 相关理论与技术
    2.1 文本分类基础理论
        2.1.1 文本预处理
        2.1.2 文本表示
        2.1.3 分类模型
    2.2 深度学习方法
        2.2.1 卷积神经网络
        2.2.2 循环神经网络
        2.2.3 注意力机制
    2.3 开发平台
        2.3.1 Scikit-Learn库
        2.3.2 Tensorflow与 Keras库
    2.4 本章小结
3 基于改进深度学习模型的文本分类算法
    3.1 TCNN模型的改进
        3.1.1 TC-AM模型设计
        3.1.2 TC-AM算法描述
        3.1.3 TC-AM处理过程
    3.2 实验与分析
        3.2.1 实验环境与数据
        3.2.2 实验内容与评价指标
        3.2.3 实验参数设置
        3.2.4 实验结果与分析
    3.3 RCNN模型的改进
        3.3.1 GCNN模型设计
        3.3.2 GCNN算法描述
        3.3.3 GCNN处理过程
    3.4 实验与分析
        3.4.1 实验环境与数据
        3.4.2 实验内容与评价指标
        3.4.3 实验参数设置
        3.4.4 实验结果与分析
    3.5 本章小结
4 基于深度学习融合模型的文本分类算法
    4.1 融合模型概念
        4.1.1 融合模型方法
        4.1.2 融合模型示例
    4.2 TGC-AM融合模型基本思想
        4.2.1 TGC-AM串联设计
        4.2.2 TGC-AM改进策略
    4.3 TGC-AM融合模型设计
        4.3.1 TGC-AM模型构建
        4.3.2 TGC-AM算法描述
        4.3.3 TGC-AM处理过程
    4.4 实验与分析
        4.4.1 实验环境与数据
        4.4.2 实验参数设置
        4.4.3 实验内容与评价指标
        4.4.4 实验结果与分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3847291