10.3969/j.issn.1673-629X.2020.11.011
基于CNN+LSTMAttention的营销新闻文本分类
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.
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
30
TP301(计算技术、计算机技术)
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
2020-12-15(万方平台首次上网日期,不代表论文的发表时间)
共5页
59-63