モバイルアプリにおける強化されたマルチラベルニュース分類のためのQwen TextCNNおよびBERTモデル

科学分野:

• 自然言語処理
• モバイルアプリケーションのための機械学習

背景:

• モバイルニュース分類システムは複雑かつ大規模です。
• モバイルニュース分類を最適化するためには、従来のモデルと大規模言語モデル（LLM）の評価が重要です。

研究 の 目的:

• 中国のモバイルアプリケーションにおけるマルチラベルニュース分類のための従来の分類モデルと大規模言語モデル（LLM）の比較研究を実施すること。
• BERT、Qwen（命令チューニングおよびLoRAファインチューニング）、TextCNN、LSTM、およびMLP分類器のパフォーマンスを評価すること。

主な方法:

• TextCNN、BERT、およびさまざまなLLM（Qwen）の比較分析。
• 命令チューニングおよび低ランク適応（LoRA）ファインチューニング技術を使用したモデルの評価。
• マルチラベルおよびバイナリ分類タスクに焦点を当て、バランスの取れたおよび不均衡なデータセットでの分類器パフォーマンスの評価。

主要な成果:

• BERTモデルは、バランスの取れたデータセットにおけるマルチラベル分類で優れたパフォーマンスを示します。
• TextCNNは、バイナリ分類タスクにより効果的です。
• LSTMおよびMLP分類器は、テキスト命令プロンプトを使用して高い精度を達成し、ランダム埋め込みを上回ります。

結論:

• モバイルニュース分類のためのモデル選択には、技術的能力と展開制約のバランスが必要です。
• クラスの不均衡（低いマクロF1スコア）という課題にもかかわらず、相対的なパフォーマンス分析により、調査結果が検証されます。
• この研究は、モバイルアプリケーション内での自動車ニュース分類を最適化するための洞察を提供します。