基于DCNNs-LSTM模型的维吾尔语突发事件识别研究

摘要：

结合对维吾尔语语言的特点分析,该文提出一种基于深度卷积神经网络(deep convolutional neural net-works ,DCNNs)联合长短期记忆网络(long-short term memory ,LSTM )实现的维吾尔语文本突发事件识别方法.该方法提取突发事件包含六大特征块,并在特征集中引入富含词汇语义及上下文位置关系的Word Embedding ,利用DCNNs对黏着性语言特征抽象化的学习能力抽取事件句中的高阶局部特征,以此作为 LSTM 网络的输入,利用其对于事件句中抽象含义序列关系的捕获特性获取全局特征,训练 Softmax分类器完成维吾尔语突发事件的识别任务.该方法在维吾尔语突发事件识别中的准确率达到80 .60%,召回率81 .39%,F值80 .99%.实验结果表明,与不同层数的DCNNs和独立的LSTM网络相比,DCNNs-LSTM模型更具备挖掘隐含上下文深层语义信息的能力,对Word Embedding特征项的引入有效地提高了模型识别性能.

关键词：维吾尔语、突发事件识别、深度卷积神经网络、长短期记忆网络、word embedding

所属期刊栏目：32

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61662074,61563051,61262064,61331011;新疆维吾尔自治区科技人才培养项目QN2016YX005

在线出版日期：2018-08-15（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：52-61