一种基于神经网络与LDA的文本分类算法

摘要：

传统隐含狄利克雷分配(LDA)主题模型在文本分类计算时利用Gibbs Sampling拟合已知条件分布下的未知参数,较难权衡分类准确率与计算复杂度间的关系.为此,在LDA主题模型的基础上,利用神经网络拟合单词-主题概率分布,提出一种文本分类算法NLDA.在THUCNews语料库和复旦大学语料库上进行实验,结果表明,与传统LDA模型相比,该算法的平均分类准确率分别提升5.53％和4.67％,平均训练时间分别减少8％和10％.

关键词：文本分类、深度学习、神经网络、隐含狄利克雷分配、主题模型

所属期刊栏目：45

分类号：TP183(自动化基础理论)

资助基金：国家部委基金

在线出版日期：2019-11-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：208-214