基于CNN+LSTMAttention的营销新闻文本分类

摘要：

针对营销新闻分类识别任务,传统方法采用的长短期记忆神经网络LSTM和卷积神经网络CNN存在分类识别率不高的问题,因此提出一种融合CNN和引入注意力机制的长短时记忆(LSTMAttention)来提高营销新闻识别分类能力.首先通过word2vec获取营销新闻文本词向量形成的矩阵,分别输入到传统机器学习分类模型中,在此基础上使用模型融合技术融合单一模型中分类效果较好的模型,最后得到融合模型和单一模型的分类结果并进行对比.实验结果显示,在基础模型LSTM引入了注意力机制之后准确率,召回率和F1值分别达到67.01％,66.07％,0.680,而CNN和LSTMAttention进行模型融合之后的准确率,召回率和F1值进一步达到了68.29％,71.27％,0.692.表明基于CNN和LSTMAttention融合之后的神经网络模型相较于单一模型,最终分类效果更好,可以达到提高营销新闻文本分类识别效果的目的.

关键词：营销新闻、文本分类、卷积神经网络、注意力机制、长短期记忆神经网络

所属期刊栏目：30

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金;新闻出版业科技与标准重点实验室项目

在线出版日期：2020-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：59-63