基于弱化图卷积网络的文本分类
文本分类是自然语言处理领域中的经典问题.传统的文本分类模型存在需要人工提取特征,分类准确率不高,难以处理非欧氏空间数据等问题.为了解决上述问题,进一步提高文本分类的准确率,提出了 W-GCN模型.该模型在Text-GCN模型的基础上加以改进,建立了全新的弱化结构模型,用以替换Text-GCN模型中对神经元的Dropout操作,并通过弱化权重,精确控制弱化力度大小,在一定程度保留Dropout防止过拟合功能的基础上,避免了由直接丢弃神经元造成的特征丢失问题,因此提高了模型分类的准确率.与Text-GCN模型相比,基于弱化图卷积网络建立的 W-GCN模型,在R8数据集上准确率提高了 0.38％,在R52数据集上准确率提高了 0.62％.实验结果证明了模型改进和弱化结构的有效性.
图卷积网络、文本分类、文本图构建方法、弱化结构、Dropout
50
TP391(计算技术、计算机技术)
2023-09-06（万方平台首次上网日期，不代表论文的发表时间）
共5页
83-87
