| 融合BiLSTM的双图神经网络文本分类模型 |
| |
| 作者姓名： | 宋婷婷 吴赛君 裴颂文 |
| |
| 作者单位： | 上海理工大学 光电信息与计算机工程学院, 上海 200093;上海理工大学 光电信息与计算机工程学院, 上海 200093;中国科学院 计算技术研究所 计算机体系结构国家重点实验室, 北京 100190;软硬件协同设计技术与应用教育部工程研究中心(华东师范大学), 上海 200062 |
| |
| 基金项目： | 国家自然科学基金资助项目（61975124）;上海市自然科学基金资助项目（20ZR1438500）;计算机体系结构国家重点实验室开放课题（CARCHA202111）;软硬件协同设计技术与应用教育部工程研究中心开放课题（OP202202） |
| |
| 摘 要： | 采用图神经网络模型为整个语料库构建异构图处理文本分类任务时,存在难以泛化到新样本和词序信息缺失的问题。针对上述问题,提出了一种融合双图特征和上下文语义信息的文本分类模型。首先,为每个文本独立构建共现图和句法依存图,从而实现对新样本的归纳式学习,从双图角度捕获文本特征,解决忽略单词间依存关系的问题;其次,利用双向长短期记忆网络（bi-directional long short-term memory,BiLSTM）编码文本,解决忽略词序特征和难以捕捉上下文语义信息的问题;最后,融合双图特征,增强图神经网络模型的分类性能。在MR,Ohsumed,R8,R52数据集上的实验结果表明,相较于经典的文本分类模型,该模型能够提取更丰富的文本特征,在准确率上平均提高了2.17%,5.38%,0.61%,2.48%。
|
| 关 键 词： | 文本分类 图神经网络 双向长短期记忆网络 句法依存图 共现图 |
| 收稿时间： | 2023-02-08 |
|
| 点击此处可从《上海理工大学学报》浏览原始摘要信息 |
|
点击此处可从《上海理工大学学报》下载免费的PDF全文 |
|
