通过深度强化学习来自动检测文本中的腐败报告
1City University of Hong Kong, Hong Kong, China. qiusxiao@cityu.edu.hk.
Scientific reports
|October 21, 2025
概括
这项研究引入了一种新的深度强化学习方法,用于检测文本中的腐败报告,达到90.04%的准确性. 该方法有效地处理大型数据集和不平衡的类,以改进文本分析.
科学领域:
- 自然语言处理自然语言处理.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 在文本中检测腐败报告存在挑战,因为它有许多特征和不平衡的数据集.
- 现有的方法难以应对文本数据的复杂性,以识别腐败.
研究的目的:
- 提出一种新的方法,使用深度强化学习来准确检测文本中的腐败报告.
- 解决腐败文本数据集中高维度和阶级不平衡的挑战.
主要方法:
- 一个四阶段的方法,整合深度强化学习,特征选择和特征描述.
- 使用统计,术语频率-反向文档频率 (TF-IDF) 和Word2Vec功能进行特征提取.
- 通过单数值分解和使用Q学习优化的卷积神经网络 (CNN) 的检测来减少维度.
主要成果:
- 拟议的方法在识别腐败报告时平均达到90.04%的准确性.
- 记录了0.9的F测量值,表明高精度和回忆.
- 与现有的文本分析方法相比,在腐败检测方面表现出卓越的性能.
结论:
- 新的深度强化学习方法有效地检测文本中的腐败报告.
- 该方法在文本分类任务的准确性和F测量方面取得了显著的改进.
- 在文本数据中准确识别腐败相关内容的验证能力.
