發(fā)布時(shí)間：2021-07-18 07:11

　　文本分類是文本挖掘中非常重要的環(huán)節(jié),在人工智能時(shí)代有著巨大作用。對(duì)于文本分類,傳統(tǒng)方法以人工提取特征的機(jī)器學(xué)習(xí)模型為主,但隨著神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的不斷發(fā)展,深度學(xué)習(xí)在語(yǔ)言、圖像等領(lǐng)域取得巨大突破,其特征表示能力遠(yuǎn)超傳統(tǒng)方法。本文以提高文本分類模型的分類性能為目標(biāo),詳細(xì)介紹基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的文本分類一般流程,以及常用的文本表示方法和文本分類性能評(píng)估。本文主要利用深度學(xué)習(xí)模型進(jìn)行文本分類的研究,相關(guān)內(nèi)容如下:（1）TextCNN和雙向門限循環(huán)單元網(wǎng)絡(luò)（Bidirectional Gated Recurrent Unit Network,BiGRU）模型。這兩種模型可在原始文本輸入的基礎(chǔ)上更好的實(shí)現(xiàn)端到端分類,從而可避免手工設(shè)計(jì)特征等問(wèn)題。經(jīng)特定數(shù)據(jù)集驗(yàn)證后,相對(duì)于κ近鄰、支持向量機(jī)、邏輯斯蒂回歸和樸素貝葉斯等傳統(tǒng)模型,本文運(yùn)用的TextCNN和BiGRU模型可以有效提高準(zhǔn)確率和AUC值。（2）基于膠囊神經(jīng)網(wǎng)絡(luò)（Capsule Neural Network,CapsNet）和BiGRU的混合文本分類模型BiGRU-CapsNet。CapsNet在圖像領(lǐng)域具有較好的分類效果,但在文本分類領(lǐng)域應(yīng)用... 

【文章來(lái)源】：廈門大學(xué)福建省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１文本分類的一般步驟??

cBow和sldP.gram網(wǎng)絡(luò)結(jié)構(gòu)

滋卷積計(jì)算過(guò)程示意圖

【參考文獻(xiàn)】：
博士論文
[1]文本分類及其相關(guān)技術(shù)研究[D]. 李榮陸.復(fù)旦大學(xué) 2005

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的新聞文本分類問(wèn)題研究[D]. 齊凱凡.西安理工大學(xué) 2018
[2]深度特征學(xué)習(xí)在句子文本分類中的研究及應(yīng)用[D]. 王茂全.華東師范大學(xué) 2018
[3]基于集成學(xué)習(xí)的文本分類方法研究[D]. 李鵬鵬.西安工業(yè)大學(xué) 2018
[4]基于word2vec和卷積神經(jīng)網(wǎng)絡(luò)的文本分類研究[D]. 李林.西南大學(xué) 2018
[5]基于FastText的長(zhǎng)文本快速精確分類算法研究[D]. 李澤龍.浙江大學(xué) 2018
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的文本分類方法研究[D]. 孫璇.上海師范大學(xué) 2018
[7]基于KNN的文本分類特征選擇與分類算法的研究與改進(jìn)[D]. 黃娟娟.廈門大學(xué) 2014



本文編號(hào)：3289104