使用双向-Kmeans-LSTM-CNN模型对大规模新闻文本数据进行了增强分析
1College of Humanities and Media, Hubei University of Science and Technology, Xianning, Hubei, China.
PeerJ. Computer science
|August 15, 2024
概括
本研究介绍了一种改进的双向-KMeans-long短期记忆网络-卷积神经网络 (BiK-LSTM-CNN) 模型,用于高效的媒体热点挖掘和文本分析. 该模型提高了处理大规模新闻数据的准确性和速度.
科学领域:
- 自然语言处理自然语言处理.
- 机器学习 机器学习
- 数据挖掘 数据挖掘
背景情况:
- 传统的文本挖掘方法难以处理大型数据集,信息聚类缺乏效率和准确性.
- 在新闻文本中捕捉微妙的情感和情感背景是传统技术面临的重大挑战.
研究的目的:
- 引入一个改进的双向-KMeans-long短期记忆网络-卷积神经网络 (BiK-LSTM-CNN) 模型.
- 通过情感语义分析来增强高维新闻文本的视觉提取和媒体热点挖掘.
主要方法:
- 拟议的BiK-LSTM-CNN模型集成了新闻文本预处理,集群,情绪语义分析和核心BiK-LSTM-CNN架构.
- 这种模块化方法促进了共同特征的识别,类似文章的聚类,以及精确的情感语义分析.
主要成果:
- 与变压器,AdvLSTM和NewRNN模型相比,BiK-LSTM-CNN模型表现出卓越的性能.
- 在宏观准确度 (0.50-1.34%),宏观回忆 (0.51-1.26%) 和宏观F1得分 (0.52-1.2%) 中观察到改善.
- 时间效率的显著提高也被记录下来.
结论:
- BiK-LSTM-CNN模型为处理和分析大规模文本数据提供了更有效和高效的方法,特别是在新闻媒体中.
- 该模型将情感语义分析纳入模型的能力提高了视觉提取和热点采矿的准确性.
