基于词义消歧的卷积神经网络文本分类模型

摘要：

传统文本分类使用word embedding作为文档表示,忽略词在当前上下文的含义,潜在地认为相同词在不同文本中含义相同.针对此问题提出一种词义消歧的卷积神经网络文本分类模型——WSDCNN(word sense disambiguation convolutional neural network).使用双向长短时记忆网络(BLSTM)建模上下文,得到词义消歧后的文档特征图;利用卷积神经网络(CNN)进一步提取对文本分类最重要的特征.在四个数据集上进行对比实验,结果表明,所提出方法在两个数据集,特别是文档级数据集上优于先前最好的方法,在另外两个数据集上得到与此前最好方法相当的结果.

关键词：文本分类、卷积神经网络、长短时记忆网络、特征提取、自然语言处理

所属期刊栏目：35

分类号：TP391(计算技术、计算机技术)

在线出版日期：2018-12-21（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：2898-2903