基于句子信息增强和特征融合的中国文本分类方法

科学领域:

• 自然语言处理自然语言处理.
• 计算语言学 计算语言学
• 人工智能的人工智能

背景情况:

• 由于复杂的语义和特征提取困难,中国文本分类面临着挑战.
• 传统的方法与字句关系作斗争,限制了深层次的语义理解和表现.
• 现有的模型往往无法有效地过中文文本中不相关的信息.

研究的目的:

• 提出一种新的中文文本分类方法,解决语义和特征提取挑战.
• 通过结合发言信息和融合各种特征来增强中文文本的表示性.
• 提高中文文本分类模型的准确性和有效性.

主要方法:

• 使用BERT (来自变压器的双向编码器表示) 来进行文本嵌入和初始特征提取 (单词和句子向量).
• 开发了一个发言信息增强模块,用于语法增强和句子级特征提取.
• 实施了功能融合策略,将增强的句子特征与Bi-GRU (双向门式反复单元网络) 文字级特征相结合.

主要成果:

• 与现有的主流分类模型相比,拟议的方法显示出更高的性能.
• 在多个中国数据集上实现了更高的分类准确性和F1值.
• 有效地增强了特征表示,并过了中文文本中不相关的信息.

结论:

• 提出的发言信息增强和特征融合方法对于中国文本分类是有效和可行的.
• 这种方法显著提高了捕捉中国文本中深层次语义信息的能力.
• 该方法为克服传统中国文本分类技术的局限性提供了一个有希望的解决方案.