孟加拉语新闻分类器:一种机器学习方法,用于孟加拉语报纸的新闻分类,使用混合堆叠分类器

科学领域:

• 自然语言处理自然语言处理.
• 机器学习 机器学习
• 计算语言学 计算语言学

背景情况:

• 孟加拉语在线新闻的扩散需要先进的分类方法.
• 传统模型与孟加拉语数据集的复杂性和语言细微差别作斗争.
• 混合和深度学习技术有可能提高孟加拉文本分类的准确性.

研究的目的:

• 开发和评估机器学习和深度学习模型,将孟加拉语新闻文章分为八个类别.
• 为了比较传统算法,深度学习架构和混合模型的性能.
• 确定最有效的孟加拉新闻分类方法,解决低资源语言挑战.

主要方法:

• 利用了118,404篇孟加拉新闻文章的大数据集.
• 应用的特征提取技术:TF-IDF矢量化和word2Vec嵌入.
• 通过传统的机器学习,深度学习 (例如双向长期短期记忆) 和混合堆叠分类器进行了实验.

主要成果:

• 性能最好的模型是一个堆叠的元分类器,它结合了双向长短期内存和支持矢量机器,达到94%的准确性.
• 这种混合模型显著超过了单个基线模型的性能.
• 综合性绩效分析包括混矩阵,ROC曲线和错误分析.

结论:

• 汇集方法和深度学习,特别是拟议的堆叠分类器,对于孟加拉新闻分类非常有效.
• 这项研究证明了先进技术在低资源自然语言处理任务中的有效性.
• 这项研究为优化孟加拉文本分类系统提供了有价值的见解.