【摘 要】
：
基于机器学习的文本分类方法通常忽略了文本上下文内容的语义特征,基于深度学习的文本分类方法虽考虑了上下文内容的语义特征,但弱化了实体信息在文本分类中的作用,无法丰富
【机 构】
：
南京信息工程大学 自动化学院,南京210044江苏省大数据分析技术重点实验室,南京210044;江苏省大气环境与装备技术协同创新中心,南京210044;
论文部分内容阅读
基于机器学习的文本分类方法通常忽略了文本上下文内容的语义特征,基于深度学习的文本分类方法虽考虑了上下文内容的语义特征,但弱化了实体信息在文本分类中的作用,无法丰富文本语义表示,突出文本内容特征.本文融合实体信息,提出一种循环神经网络与实体表示相结合的分类模型.该模型通过循环神经网络和Attention机制对文本进行建模表示,充分挖掘文本上下文内容的语义特征;同时,将实体表示与文本表示做注意力计算,进一步丰富文本语义与内容特征.在20NG、R8、IMDB、AG News四个数据集上进行实验,实验结果显示,该模型与其他主流基线方法相比,在准确率(Accuracy)上取得显著提高.
其他文献
#WS(≠)是互斥约束工作流可满足性的量化问题,与第三方环境中有重要意义的资源弹性密切相关.为克服其求解性能瓶颈,本文利用模式回溯法的解空间压缩特性和两层求解机制,提出
引入辅助数据如社交关系信息是解决传统个性化推荐算法数据稀疏问题的一种有效方法.目前大部分基于信任的推荐算法直接利用二值信任网络来提升推荐质量,然而,直接信任关系也
随着移动互联网的发展,越来越多的公司开始关注用户性别、年龄等基础属性信息,以便提供更有效的商品推荐、广告投放等个性化服务.本文提出一种基于集成学习的预测方法,通过分
提出了一个新的递归神经网络模型,目标是解决一类带等式与不等式约束的非光滑非凸优化问题.证明了当可行域有界时,递归神经网络能在有限时间内收敛到可行域,并且能最终收敛到
群组推荐是推荐系统领域的研究热点之一,相比传统推荐系统,群组推荐针对团体性活动对群组成员进行推荐,很好地缓和了群组成员间的偏好冲突,取得了更好的推荐效果.本文介绍了