基于權(quán)重詞向量與改進(jìn)TextCNN的中文新聞分類

萬 錚，王 芳，黃樹成

（江蘇科技大學(xué) 計(jì)算機(jī)學(xué)院，江蘇 鎮(zhèn)江 212114）

0 引言

文本分類是自然語言處理領(lǐng)域的一項(xiàng)基礎(chǔ)且重要的任務(wù)，在新聞推薦、搜索引擎、垃圾郵件檢測(cè)等方面都有著重要應(yīng)用。盡管文本分類已經(jīng)有著多年的發(fā)展歷史，但仍存在著一些不足之處。目前文本分類仍是自然語言處理領(lǐng)域研究的一個(gè)熱點(diǎn)問題。文本分類是指通過一定的算法，給輸入的文本分配一個(gè)或多個(gè)預(yù)先設(shè)定好的標(biāo)簽［1］。若只為每個(gè)文本分配一個(gè)標(biāo)簽，則稱為單標(biāo)簽文本分類；若為每個(gè)文本分配一個(gè)及以上的標(biāo)簽，則稱為多標(biāo)簽文本分類。

隨著信息技術(shù)的快速發(fā)展，人們進(jìn)入了一個(gè)信息爆炸的時(shí)代，互聯(lián)網(wǎng)已經(jīng)成為人們?nèi)粘Ｉ钪蝎@取信息的主要途徑之一。其中絕大部分信息都是以文本形式存在的，面對(duì)著鋪天蓋地的文本信息，光靠人力維護(hù)是不可能的。那么如何通過機(jī)器自動(dòng)將這些文本信息進(jìn)行分類以方便人們更好地獲取，成為當(dāng)下的一個(gè)研究難題。人們最先把機(jī)器學(xué)習(xí)方法用于文本分類，如改進(jìn)的TF-IDF、支持向量機(jī)［2］、樸素貝葉斯［3］等。傳統(tǒng)的機(jī)器學(xué)習(xí)分類方法將整個(gè)文本分類問題拆分成特征工程和分類器兩部分。特征工程分為文本預(yù)處理、特征提取、文本表示3 部分，最終目的是把文本轉(zhuǎn)換成計(jì)算機(jī)可理解的數(shù)字，并封裝足夠用于分類的信息，再進(jìn)行分類［4］。雖然這些方法在一定程度上解決了文本分類問題，但仍存在著一些弊端。這些方法過于依賴人工設(shè)計(jì)的特征，并且對(duì)于文本的表示還存在數(shù)據(jù)稀疏和特征向量緯度過高的問題，對(duì)于網(wǎng)絡(luò)新聞中出現(xiàn)的大量新詞不能很好地表示其語義特征。

隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，涌現(xiàn)出越來越多性能良好的深度學(xué)習(xí)模型。這些模型不僅能很好地解決傳統(tǒng)機(jī)器學(xué)習(xí)方法存在的數(shù)據(jù)稀疏和特征向量維度過高的問題，而且準(zhǔn)確度也明顯提升。但是單一的深度學(xué)習(xí)模型也有其局限性，如TextCNN 只關(guān)注到了局部信息，而往往會(huì)忽略掉全局語義，造成分類效果不佳。基于此，本文提出一種混合多神經(jīng)網(wǎng)絡(luò)的BA-InfoCNN-BiLSTM 模型。

1 相關(guān)工作

若想要讓計(jì)算機(jī)處理語句或文檔，首先需要將這些語句或文檔轉(zhuǎn)換成數(shù)字，將字或詞轉(zhuǎn)換為向量的過程稱為詞嵌入。最開始采用One-Hot 編碼，用于判斷文本中是否具有該詞語。后來發(fā)展成根據(jù)詞語在文本中的分布情況對(duì)詞進(jìn)行表示。近年來，隨著深度學(xué)習(xí)的發(fā)展，直接推動(dòng)了詞嵌入技術(shù)的變革，使得分布式的詞語表達(dá)得到了大量使用。分布式表示可以克服獨(dú)熱表示的缺點(diǎn)，解決了詞匯表示與位置無關(guān)的問題。分布式表示通過計(jì)算向量之間的距離（歐氏距離、余弦距離）體現(xiàn)詞與詞之間的相似性。Bengio 等［5］最早使用神經(jīng)網(wǎng)絡(luò)來構(gòu)建語言模型。2013 年，Mikolov 等［6］提出一種淺層神經(jīng)網(wǎng)絡(luò)概模型Word2Vec，其包括Continuous Bag-of-Words［7］和 Skip-Gram［8］兩種模型訓(xùn)練方法，通過分布式假設(shè)（如果兩個(gè)詞的上下文是相似的，其語義也是相似的）直接學(xué)習(xí)詞的詞向量，同時(shí)為了減少輸出層的計(jì)算量，使用層次softmax 和負(fù)采樣對(duì)其進(jìn)行優(yōu)化。但該方式只考慮了文本的局部信息，未能有效利用整體信息。針對(duì)此問題，Pennington 等［9］提出全局詞向量（Global Vectors，Glove）模型，同時(shí)考慮了文本的局部信息與整體信息。但無論是Word2Vec 還是Glove，本質(zhì)上都是一種靜態(tài)的詞嵌入方式，無法解決一詞多義的問題。2018年，谷歌提出的BERT 模型解決了一詞多義的問題［10］。BERT 模型通過聯(lián)合調(diào)節(jié)所有層中的左右上下文來預(yù)訓(xùn)練未標(biāo)記的文本深度雙向表示，此外還通過組裝長(zhǎng)句作為輸入，增強(qiáng)了對(duì)長(zhǎng)距離語義的理解。

在捕獲文本特征方面，Hochreiter 等［11］提出的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)解決了梯度爆炸和梯度消失問題；Kalchbrenner 等［12］提出動(dòng)態(tài)卷積神經(jīng)網(wǎng)絡(luò)模型處理長(zhǎng)度不同的文本，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于NLP；Kim［13］提出文本分類模型TextCNN，該模型結(jié)構(gòu)更簡(jiǎn)單，利用多個(gè)大小不同的卷積核提取文本中的特征，然后對(duì)這些不同粒度的特征進(jìn)行池化操作，從而得到更準(zhǔn)確的局部特征；陳珂等［14］利用多通道卷積神經(jīng)網(wǎng)絡(luò)模型，從多方面的特征表示學(xué)習(xí)輸入句子的文本信息；Long 等［15］將雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與多頭注意力機(jī)制相結(jié)合對(duì)社交媒體文本進(jìn)行分類，克服了傳統(tǒng)機(jī)器學(xué)習(xí)中的不足。本文在前人研究的基礎(chǔ)上，通過融入前文信息對(duì)傳統(tǒng)的TextCNN 作出了改進(jìn)。

2 模型設(shè)計(jì)

本文提出的BA-InfoCNN-BiLSTM 模型通過在詞嵌入層后加入注意力機(jī)制進(jìn)行殘差連接來提升重要詞的比重，再通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)與雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)分別提取局部和全局特征，最后將特征進(jìn)行融合后用于分類。模型整體結(jié)構(gòu)如圖1 所示，由輸入層、BERT 嵌入層、權(quán)重詞向量層、改進(jìn)的卷積層、雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)層和輸出層組成。

Fig.1 BA-InfoCNN-BiLSTM model structure圖1 BA-InfoCNN-BiLSTM 模型結(jié)構(gòu)

2.1 詞嵌入層

本模型嵌入層的目的是將文本轉(zhuǎn)化為詞向量，首先需要解決的問題就是分詞。對(duì)于英文文本，單詞與單詞之間本就以空格隔開，所以英文文本不需要進(jìn)行額外的分詞操作。與英文文本不同的是，中文文本是由字構(gòu)成，字本身就可以表達(dá)出一定的含義，而字與字之間又可以組成詞，表達(dá)出新的語義。如今兩種比較流行的分詞方式是：一是像英文文本分詞那樣，以字為粒度，直接將文本中的字映射為一個(gè)向量，這種做法雖然方便，但是往往會(huì)割裂文本中字與字所組成的詞的意思；二是利用像Jieba 這樣的分詞工具先對(duì)文本進(jìn)行分詞，再將得到的詞轉(zhuǎn)化為詞向量，但這種方式存在著更嚴(yán)重的弊端，因?yàn)榉衷~的好壞會(huì)在很大程度上影響最后的分類結(jié)果。

如今的分詞工具對(duì)于陌生詞的分詞效果較差，在專業(yè)名詞上更是嚴(yán)重依賴于用戶構(gòu)建的詞典，并且對(duì)長(zhǎng)詞的分詞效果較差。而新聞標(biāo)題中往往會(huì)產(chǎn)生大量新詞，嚴(yán)重影響分詞的正確性，從而干擾最后的分類效果。因此，模型使用基于字粒度的詞嵌入方式來彌補(bǔ)該弊端。BERT 的中文版本正是以字為單位進(jìn)行嵌入的，十分適合作為嵌入層。BERT 的兩大功能分別是預(yù)訓(xùn)練和微調(diào)。預(yù)訓(xùn)練有兩大任務(wù)：一是掩碼語言模型，即隨機(jī)遮掩一部分詞，然后讓模型預(yù)測(cè)這些詞；二是下一句預(yù)測(cè)，即判斷兩個(gè)句子之間是否有上下文關(guān)系來增強(qiáng)模型對(duì)句子的理解能力。微調(diào)則是在進(jìn)行下游任務(wù)時(shí)，模型不斷調(diào)整其參數(shù)的過程，但由于BERT 的結(jié)構(gòu)是由12 個(gè)Transformer 編碼器構(gòu)成，計(jì)算量較大，十分消耗時(shí)間，所以本實(shí)驗(yàn)過程中并沒有選擇進(jìn)行微調(diào)，而只是使用在大規(guī)模語料上預(yù)訓(xùn)練過的BERT 模型參數(shù)完成字到詞向量的轉(zhuǎn)換。設(shè)有文本T={t1，t2，t3...tn}，文本長(zhǎng)度為n，將其送入BERT 模型，得到該文本的詞向量矩陣E={e1，e2，e3...en}。矩陣大小是n*d，其中d 是每個(gè)字的維度。然后將BERT 生成的矩陣E作為注意力層的輸入。

2.2 權(quán)重詞向量層

本模型在BERT 之后引入注意力機(jī)制。注意力機(jī)制最早是由Bahdanau 等提出的，用于模擬人腦的注意力模型，最早用于圖像處理方面。Vaswani 等［16］提出的Transformer便是基于自注意力機(jī)制獲得單詞間的長(zhǎng)距離依賴關(guān)系。本模型之所以在嵌入層后引入注意力機(jī)制，是由于在嵌入層中只使用了BERT 在其他語料上預(yù)訓(xùn)練得到的詞向量。但是為了避免大量運(yùn)算，在實(shí)驗(yàn)過程中并沒有進(jìn)行微調(diào)，沒有發(fā)揮BERT 中自注意力機(jī)制的作用，而在新的語義環(huán)境中，每個(gè)詞在新聞標(biāo)題中的重要程度也會(huì)有所不同。所以在得到詞向量之后，需要通過注意力機(jī)制對(duì)字詞權(quán)重重新進(jìn)行分配，以體現(xiàn)不同詞對(duì)文本全局語義特征的重要程度。注意力分?jǐn)?shù)計(jì)算如式（1）所示。其中，Wa是可訓(xùn)練參數(shù)，ba是偏置項(xiàng)，tanh 是激活函數(shù)，va是可學(xué)習(xí)的上下文向量。at是經(jīng)過softmax 函數(shù)后得到的ei的權(quán)重（見式（2）），然后將每個(gè)詞向量加權(quán)后進(jìn)行殘差連接得到si（見式（3）），最后將得到加權(quán)的詞嵌入矩陣S={s1，s2，s3...sn}分別送入改進(jìn)的卷積層和Bi-LSTM 層。

2.3 改進(jìn)的卷積層

在注意力機(jī)制之后引入改進(jìn)的TextCNN 來提升模型對(duì)特征的捕捉能力。TextCNN 能夠通過使用不同大小的卷積核實(shí)現(xiàn)對(duì)N-Gram 特征的提取，從而獲取到不同層級(jí)的語義特征。但其短板是TextCNN 通過卷積只能獲得文本的局部依賴關(guān)系，而忽視了遠(yuǎn)距離語義的影響。所以針對(duì)該問題，本模型對(duì)TextCNN 的卷積層進(jìn)行了一些改進(jìn)。從整體上而言，對(duì)語義的理解是以從左到右的順序進(jìn)行的，所以進(jìn)行卷積操作的詞之前的文本信息是十分重要的。為解決TextCNN 只關(guān)注局部信息的問題，在進(jìn)行卷積操作的過程中，通過不斷融入前文信息來提升模型性能。InfoCNN 過程如圖2所示。

Fig.2 InfoCNN process圖2 InfoCNN過程

首先根據(jù)詞向量矩陣S={s1，s2，s3...sn}生成其前文語義矩陣R={r0，r1，r2...rn}，如式（4）所示：

其中，r0為零向量，然后用全連接層進(jìn)行降維，得到前文信息向量G={g0，g1，g2...gn}。接著再用窗口大小為2、3、4 的卷積核W 進(jìn)行卷積操作，每次卷積操作得到特征ci，提取局部特征的公式如式（5）所示：

其中，h為卷積核Wh滑動(dòng)窗口的大小，卷積核Wh的大小是h*d，d是詞向量維度。Si：i+h-1為從S中第i行到i+h-1行的局部文本矩陣，bh為偏置項(xiàng)，f代表非線性激活函數(shù)。最后，結(jié)合提取的局部特征和前文信息特征，最終得到的卷積結(jié)果ui如式（6）所示：

最后，在得到的結(jié)果U中，采用最大值池化策略獲取每個(gè)通道的最大值，將這些值送入最后的輸出層。

2.4 BiLSTM 層

由于循環(huán)神經(jīng)網(wǎng)絡(luò)特別適合處理序列數(shù)據(jù)，已被成功應(yīng)用于自然語言處理等眾多時(shí)序問題中。為了能有效解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失或爆炸問題，本模型使用Bi-LSTM 對(duì)BERT 和注意力機(jī)制得到的權(quán)重詞向量矩陣進(jìn)行特征提取。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

Fig.3 LSTM structure圖3 LSTM 結(jié)構(gòu)

該網(wǎng)絡(luò)有3 個(gè)門：一是遺忘門，用來控制上一時(shí)刻Ct-1保存到當(dāng)前時(shí)刻Ct的特征信息，如式（7）所示；二是輸入門，其控制了此時(shí)網(wǎng)絡(luò)的輸入Xt保存到當(dāng)前時(shí)刻Ct的特征信息，計(jì)算方式如式（8）、式（9）所示；三是輸出門，用來控制當(dāng)前時(shí)刻Ct的輸出值Yt，計(jì)算方式如式（10）—式（12）所示：

但由于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)當(dāng)前時(shí)刻的輸出信息是由前一時(shí)刻的輸出信息和當(dāng)前時(shí)刻的輸入信息共同決定的，即當(dāng)前時(shí)刻的輸出信息只考慮了該時(shí)刻與該時(shí)刻之前的信息，而沒有考慮該時(shí)刻之后的信息，沒有充分利用上下文信息。為了解決這一問題，Graves 等［17］提出雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)。雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)通過正向和逆向的LSTM 獲得第t時(shí)刻正向隱藏層狀態(tài)向量Ylt與逆向隱藏層狀態(tài)向量Yrt，并將Ylt和Yrt拼接起來作為最終的隱藏層狀態(tài)向量Yt，該向量包含了上下文信息。計(jì)算方式如式（13）所示：

2.5 輸出層

模型最后的輸出層是把改進(jìn)的卷積層得到的結(jié)果與Bi-LSTM 層得到的結(jié)果進(jìn)行拼接融合，然后引入全連接層進(jìn)行降維，之后用Dropout 方法讓降維后的特征向量以一定的概率失活，從而避免出現(xiàn)過擬合現(xiàn)象。最后送入softmax函數(shù)［18］進(jìn)行分類，得到最終的預(yù)測(cè)結(jié)果。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

為了驗(yàn)證本模型在新聞主題文本分類任務(wù)上的有效性，本文使用兩個(gè)以新聞為主題的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，如表1所示。

Table 1 Data set information表1 數(shù)據(jù)集信息

（1）新浪新聞數(shù)據(jù)集。新浪新聞數(shù)據(jù)集中的數(shù)據(jù)來自于新浪新聞2018—2022 年間產(chǎn)生的新聞標(biāo)題。通過收集這些新聞標(biāo)題，然后經(jīng)反復(fù)篩選壓縮及過濾后，整理生成新浪新聞數(shù)據(jù)集。該數(shù)據(jù)集共包含20 萬條短文本，分為電子競(jìng)技、地產(chǎn)、體育、股市、科學(xué)、財(cái)經(jīng)、時(shí)事、教育、政治、明星10個(gè)類別，每類包含2萬條數(shù)據(jù)。

（2）搜狐新聞數(shù)據(jù)集。通過網(wǎng)絡(luò)開源搜狐新聞數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗，去除部分缺少標(biāo)簽的數(shù)據(jù)，并去除新聞內(nèi)容，只保留新聞主題。數(shù)據(jù)集包含旅游、電子競(jìng)技、地產(chǎn)、軍事、體育、股市、科學(xué)、財(cái)經(jīng)、時(shí)事、教育、政治、明星共 12個(gè)類別。

3.2 實(shí)驗(yàn)設(shè)置

（1）實(shí)驗(yàn)環(huán)境。本實(shí)驗(yàn)在PyCharm 上進(jìn)行代碼編寫，編程語言選擇Python 3.7 版本，深度學(xué)習(xí)框架選擇Pytorch 1.1 版本，CPU 型號(hào)為AMD EPYC 7302 16-Core Processor，內(nèi)存為252GB，GPU 型號(hào)為GeForce RTX 3080，顯存為10GB。

（2）實(shí)驗(yàn)參數(shù)。由于模型使用BERT 的中文版本進(jìn)行詞嵌入，所以詞向量的維度設(shè)為768。卷積層中使用3 種大小不同的二維卷積核，卷積核的高度分別為2、3 和4，卷積核寬度與詞向量維度相同，每種卷積核的數(shù)量為256。BiLSTM 層中的隱藏單元個(gè)數(shù)為128，dropout 的參數(shù)大小設(shè)置為0.1。每次訓(xùn)練的批次batch_size 大小為128，學(xué)習(xí)率大小為0.000 5，每句話的最大長(zhǎng)度為32，epoch 數(shù)為3。

3.3 實(shí)驗(yàn)結(jié)果與分析

本文將BA-InfoCNN-BiLSTM 模型與當(dāng)前較流行的幾種分類方法進(jìn)行了比較。

（1）TextCNN。由Kim［13］提出的TextCNN 在CNN 概念的基礎(chǔ)上，讓卷積核寬度與詞向量維度保持一致進(jìn)行特征提取，然后拼接最大值池化后的特征，最后送入softmax 函數(shù)進(jìn)行分類。

（2）TextRNN。由Liu［19］提出的TextRNN 在LSTM 概念的基礎(chǔ)上，取單向LSTM 最后一個(gè)時(shí)間步的隱藏層狀態(tài)向量作為新聞標(biāo)題的語義表示，然后將該向量送入softmax 函數(shù)中進(jìn)行分類。

（3）DPCNN。由Johnson 等［20］提出的一種通過增加卷積神經(jīng)網(wǎng)絡(luò)的深度來獲取長(zhǎng)距離語義關(guān)系的模型。

（4）FastText。Facebook 于2016 年開源的一種文本分類方法，F(xiàn)astText 在保證與CNN 和RNN 等深層網(wǎng)絡(luò)同等準(zhǔn)確率的基礎(chǔ)上，提升了訓(xùn)練速度。

（5）Att-BiLSTM。通過在雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)后引入注意力機(jī)制，對(duì)雙向長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)提取的特征分配不同權(quán)重，從而突出重要詞的作用。

（6）BERT。BERT 是一個(gè)多層雙向的Transformer Encoder 模型，主要分為兩個(gè)階段：預(yù)訓(xùn)練和微調(diào)。在預(yù)訓(xùn)練階段，模型會(huì)在大量沒有標(biāo)注的語料上進(jìn)行訓(xùn)練；在微調(diào)階段，模型會(huì)對(duì)預(yù)訓(xùn)練得到的參數(shù)進(jìn)行初始化，然后在進(jìn)行下游任務(wù)過程中對(duì)參數(shù)進(jìn)行調(diào)整。

本文使用準(zhǔn)確率作為評(píng)估指標(biāo)，實(shí)驗(yàn)結(jié)果如表2、圖4所示。

Table 2 Accuracy表2 準(zhǔn)確率 %

Fig.4 Experimental results圖4 實(shí)驗(yàn)結(jié)果

BA-InfoCNN-BiLSTM 模型在新浪新聞數(shù)據(jù)集和搜狐新聞數(shù)據(jù)集上分別獲得了95.07%與84.95%的準(zhǔn)確率。與前6 個(gè)模型相比，BA-InfoCNN-BiLSTM 模型取得了最好的效果。與6 個(gè)模型中效果最好的Bert 模型相比，BA-Info-CNN-BiLSTM 模型在新浪新聞數(shù)據(jù)集上的準(zhǔn)確率提升了0.66%，在搜狐新聞數(shù)據(jù)集上的準(zhǔn)確率提升了0.71%，從而證明了BA-InfoCNN-BiLSTM 模型通過在詞嵌入后加入注意力機(jī)制補(bǔ)充詞的重要程度，再分別捕獲多粒度下的局部信息和全局語義信息，可以有效提升模型的準(zhǔn)確率。

3.4 消融實(shí)驗(yàn)

為了驗(yàn)證BA-InfoCNN-BiLSTM 模型中不同組件對(duì)于模型的有效性，本文通過消融實(shí)驗(yàn)進(jìn)行驗(yàn)證。BA-BiLSTM為原模型中去掉了改進(jìn)TextCNN 層的模型，僅將BiLSTM最后一個(gè)時(shí)間步的隱藏狀態(tài)向量作為全局語義特征用于分類輸出。BERT-InfoCNN-BiLSTM 為原模型中去掉了注意力機(jī)制的模型，在嵌入層后使用改進(jìn)的TextCNN 層和BiLSTM 層分別捕捉局部與全局特征，將兩種特征融合后輸出。BA-InfoCNN 為原模型中去掉了BiLSTM 層的模型，使用改進(jìn)的TextCNN 層捕捉多個(gè)粒度下的局部語義特征并將其用于分類，同時(shí)將輸出改為直接輸出。BA-CNNBiLSTM 為了去掉原模型中對(duì)TextCNN 的改進(jìn)部分，使用融合后的結(jié)果用于分類。消融實(shí)驗(yàn)結(jié)果如表3所示。

Table 3 Ablation experiment results表3 消融實(shí)驗(yàn)結(jié)果 %

首先將BA-BiLSTM 的實(shí)驗(yàn)結(jié)果與本文提出的BA-InfoCNN-BiLSTM（以下簡(jiǎn)稱BAIB）進(jìn)行對(duì)比，在兩個(gè)數(shù)據(jù)集上BAIB 的效果都明顯優(yōu)于BA-BiLSTM，說明提取局部信息對(duì)分類結(jié)果有一定影響。將BA-InfoCNN 的實(shí)驗(yàn)結(jié)果與BAIB 相比，BAIB 的效果要優(yōu)于BA-InfoCNN，說明BiLSTM能夠有效提取全文信息特征，提升模型效果。BAIB 去除注意力機(jī)制之后的效果也不如BAIB，說明使用注意力機(jī)制凸出詞在句子中的重要性對(duì)于提升分類效果也是很有必要的。最有意義的是，將沒有改進(jìn)的BAA-CNN-BiLSTM 融合模型與BAIB 進(jìn)行比較，發(fā)現(xiàn)融入前文信息的卷積網(wǎng)絡(luò)分類更準(zhǔn)確，模型對(duì)文本語義的理解更充分。

4 結(jié)語

本文提出的文本分類模型BA-InfoCNN-BiLSTM 通過融合改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，解決了傳統(tǒng)的單一深度學(xué)習(xí)網(wǎng)絡(luò)提取信息不充分、分類效果差的問題。相比于其他融合模型，本模型直接在詞嵌入后加入注意力機(jī)制，生成權(quán)重詞向量，突出重要詞對(duì)整體語義的影響，然后分別送入卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，同時(shí)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。在進(jìn)行卷積操作過程中融入部分前文信息，讓卷積神經(jīng)網(wǎng)絡(luò)不再僅關(guān)注局部信息。最終的實(shí)驗(yàn)結(jié)果表明，該方法對(duì)分類的準(zhǔn)確率有一定提升。接下來為了使模型得到進(jìn)一步優(yōu)化，可以從以下方面入手：考慮到文本進(jìn)行分類時(shí)，文中存在較多干擾信息以及一些專業(yè)性較強(qiáng)的名詞，可以在詞向量動(dòng)態(tài)訓(xùn)練過程中加入對(duì)抗擾動(dòng)，以進(jìn)一步提升生成的新聞文本詞向量的魯棒性以及表征能力。