用于短文本分类的BLSTM_MLPCNN模型

摘要：

文本表示和文本特征提取是自然语言处理的基础工作,直接影响文本分类的性能.文中提出了以字符级向量联合词向量作为输入的BLSTM_MLPCNN神经网络模型.该模型首先将卷积神经网络(CNN)作用于字符以获取字符级向量,并将字符级向量联合词向量作为预训练词嵌入向量,也即双向长短时记忆网(BLSTM)模型的输入;然后联合BLSTM模型的前向输出、词嵌入向量、后向输出构成文档特征图;最后利用多层感知器卷积神经网络(MLPC-NN)进行特征提取.在相关数据集上的实验结果表明:相比于CNN,RNN以及CNN与RNN的组合模型,BLSTM_MLPCNN模型具有更优的分类性能.

关键词：字符级向量、词向量、卷积神经网络(CNN)、双向长短时记忆神经网络(BLSTM)、多层感知器(MLP)、多层感知器卷积网络(MLPCNN)

所属期刊栏目：46

分类号：TP391.1(计算技术、计算机技术)

在线出版日期：2019-07-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：206-211