基于多层次特征提取的胶囊网络文本分类研究

摘要：

[目的]提高现有浅层文本分类模型特征抽取能力,自底向上分层级地提取文本信息,从而提高文本分类效果.[方法]本文提出一种基于全局特征和高层次特征获取的文本分类模型(MFE-CapsNet),该模型利用双向门控循环单元提取上下文信息,并引入权值注意力编码前后隐层向量,从而提高序列模型特征表示质量.结合胶囊网络利用动态路由获得高层次聚合后的局部信息,构建MFE-CapsNet模型,进行文本分类的对比实验.[结果]MFE-CapsNet模型在三个不同领域的中文数据集上F1值分别达到96.21％、94.17％、94.19％,对比其他分类方法最少分别提升1.28、1.49、0.46个百分点.[局限]实验仅在三种语料上进行验证.[结论]MFE-CapsNet模型利用改进的胶囊网络能够更加全面、深层次地挖掘文本语义特征,提高文本分类性能.

关键词：文本分类;双向门控循环单元;注意力机制;胶囊网络

所属期刊栏目：5

分类号：TP391.1(计算技术、计算机技术)

资助基金：本文系国家自然科学基金项目;过程优化与智能决策教育部重点实验室开放课题的研究成果之一

在线出版日期：2021-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：93-102