文本分類是一個典型且基礎性較強的研究領域。傳統(tǒng)方法是將文本分門別類后依靠人工手段獲取特征信息,深度學習方法是將特征提取和分類融為一體,已取代了傳統(tǒng)方法,可自動獲取特征信息,特別是在數(shù)據(jù)挖掘、自然語言處理、計算機視覺等方面應用廣泛。新聞文本分類是自然語言處理中不可替代的技術,新聞是人們獲取最新消息、了解時事信息的最佳手段,使用高效的方法實現(xiàn)新聞文本分類具有重大意義及價值。本文深刻分析了傳統(tǒng)文本分類方法存在的劣勢,著重研究深度學習方法中的卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)和循環(huán)神經(jīng)網(wǎng)絡(Recurrent Neural Network,RNN)在新聞文本分類中的應用。論文完成的主要內(nèi)容如下:(1)針對文本分類中TCNN模型不能充分獲取文本局部特征和關鍵詞信息,RCNN模型不能充分提取文本上下文特征信息的問題,論文提出了TC-AM模型和GCNN模型文本分類算法。TC-AM模型使用三層卷積池化操作獲取文本局部特征,引入雙通道注意力機制(DAM)使得文本表示的特征更具代表性,給文本信息分配相應的權重,獲取關鍵詞信息。GCNN模型采用雙通道前后向雙向門...

【文章頁數(shù)】：69 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
2 相關理論與技術
    2.1 文本分類基礎理論
        2.1.1 文本預處理
        2.1.2 文本表示
        2.1.3 分類模型
    2.2 深度學習方法
        2.2.1 卷積神經(jīng)網(wǎng)絡
        2.2.2 循環(huán)神經(jīng)網(wǎng)絡
        2.2.3 注意力機制
    2.3 開發(fā)平臺
        2.3.1 Scikit-Learn庫
        2.3.2 Tensorflow與 Keras庫
    2.4 本章小結(jié)
3 基于改進深度學習模型的文本分類算法
    3.1 TCNN模型的改進
        3.1.1 TC-AM模型設計
        3.1.2 TC-AM算法描述
        3.1.3 TC-AM處理過程
    3.2 實驗與分析
        3.2.1 實驗環(huán)境與數(shù)據(jù)
        3.2.2 實驗內(nèi)容與評價指標
        3.2.3 實驗參數(shù)設置
        3.2.4 實驗結(jié)果與分析
    3.3 RCNN模型的改進
        3.3.1 GCNN模型設計
        3.3.2 GCNN算法描述
        3.3.3 GCNN處理過程
    3.4 實驗與分析
        3.4.1 實驗環(huán)境與數(shù)據(jù)
        3.4.2 實驗內(nèi)容與評價指標
        3.4.3 實驗參數(shù)設置
        3.4.4 實驗結(jié)果與分析
    3.5 本章小結(jié)
4 基于深度學習融合模型的文本分類算法
    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串聯(lián)設計
        4.2.2 TGC-AM改進策略
    4.3 TGC-AM融合模型設計
        4.3.1 TGC-AM模型構(gòu)建
        4.3.2 TGC-AM算法描述
        4.3.3 TGC-AM處理過程
    4.4 實驗與分析
        4.4.1 實驗環(huán)境與數(shù)據(jù)
        4.4.2 實驗參數(shù)設置
        4.4.3 實驗內(nèi)容與評價指標
        4.4.4 實驗結(jié)果與分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻
附錄



本文編號：3847291