基于深度学习的文本分类系统关键技术研究与模型验证

汪少敏; 杨迪; 任华

doi:10.11959/j.issn.1000-0801.2018301

您当前的位置：

首页 >

文章列表页 >

基于深度学习的文本分类系统关键技术研究与模型验证

专栏：人工智能技术与应用 | 更新时间：2024-06-05

- 基于深度学习的文本分类系统关键技术研究与模型验证
- Key technology research and model validation of text classification system based on deep learning
- 电信科学 2018年34卷第12期页码：117-124
- 作者机构：
- 作者简介：
  
  [ "汪少敏（1983-），女，中国电信股份有限公司上海研究院高级工程师，主要研究方向为人工智能技术、自然语言处理、大数据和数据挖掘分析。" ]
  [ "杨迪（1982-），男，中国电信股份有限公司上海研究院高级工程师，主要研究方向为人工智能技术、智能交互。" ]
  [ "任华（1977-），女，中国电信股份有限公司上海研究院高级工程师，主要研究方向人工智能技术、智能客服。" ]
- 基金信息：
- DOI：10.11959/j.issn.1000-0801.2018301
  中图分类号： TP393
- 网络出版日期：2018-12，
  
  纸质出版日期：2018-12-20
- 稿件说明：
移动端阅览
汪少敏, 杨迪, 任华. 基于深度学习的文本分类系统关键技术研究与模型验证[J]. 电信科学, 2018,34(12):117-124.

Shaomin WANG, Di YANG, Hua REN. Key technology research and model validation of text classification system based on deep learning[J]. Telecommunications science, 2018, 34(12): 117-124.
汪少敏, 杨迪, 任华. 基于深度学习的文本分类系统关键技术研究与模型验证[J]. 电信科学, 2018,34(12):117-124. DOI： 10.11959/j.issn.1000-0801.2018301.

Shaomin WANG, Di YANG, Hua REN. Key technology research and model validation of text classification system based on deep learning[J]. Telecommunications science, 2018, 34(12): 117-124. DOI： 10.11959/j.issn.1000-0801.2018301.

摘要

大数据时代，文本分类是文本数据挖掘和文本价值探索领域的重要工作。传统的文本分类系统存在特征提取能力弱、分类准确率不高的问题。相对于传统的文本分类技术，深度学习技术具有准确率高、特征提取有效等诸多优势，有必要将深度学习技术引入文本分类系统，以解决传统文本分类系统存在的问题。在分析传统文本分类系统的基础上，提出了基于深度学习的文本分类系统的体系架构和关键技术，同时对传统分类模型、TextCNN、CNN+LSTM多种分类模型进行了验证比对。

Abstract

Text classification is very important to text data mining and value exploration.The traditional text classification system has problems of weak feature extraction ability and low classification accuracy.Compared with the traditional text classification technology

deep learning technology has many advantages such as high accuracy and effective feature extraction.Therefore

it is necessary to apply deep learning technology to the text classification system to solve the problems of the traditional text classification system.The traditional text classification system was analyzed

and the architecture and key technologies of text classification system based on deep learning were proposed.Finally

several classification models were verified and compared

including the traditional classification model

TextCNN and CNN+LSTM.

关键词

Keywords

references

蔡自兴 , 刘丽珏 , 蔡竟峰 , 等 . 人工智能及其应用（第5版） [M ] . 北京 : 清华大学出版社 , 2016 .

CAI Z X , LIU L J , CAI J F , et al . Artificial intelligence and its application (fifth edition) [M ] . Beijing : Tsinghua University PressPress , 2016 .

ANOTONELLIS I , BOURAS C , POULOPOULOS V . Personalized news categorization through scalable text classification [C ] // Frontiers of WWW Research and Development-APWEB,Lecture Notes in Computer Science,January 16-18,2006,Harbin,China . New York:ACM Press , 2006 : 391 - 401 .

HU M , LIU B . Mining and summarizing customer review [C ] // ACM SIGKDD International Conference on Knowledge Discovery and Data Mining,August 22-25,2004,Seattle,WA,USA . New York:ACM Press , 2004 : 168 - 177 .

蔡鑫 , 娄京生 . 基于LSTM深度学习模型的中国电信官方微博用户情绪分析 [J ] . 电信科学 , 2017 , 33 ( 12 ): 136 - 141 .

CAI X , LOU J S . Sentiment analysis of telecom official micro-blog users based on LSTM deep learning model [J ] . Telecommunications Science , 2017 , 33 ( 12 ): 136 - 141 .

JOULIN A , GRAVE E , BOJANOWSKI P , et al . Bag of tricks for efficient text classification [J ] . arXiv:1607.01759v3[cs.CL] , 2016 .

余凯 , 贾磊 , 陈雨强 , 等 . 深度学习的昨天、今天和明天 [J ] . 计算机研究与发展 , 2013 ( 9 ): 1799 - 1804 .

YU K , JIA L , CHEN Y Q , et al . Deep learning:yesterday,today and tomorrow [J ] . Journal of Computer Research and Development , 2013 ( 9 ): 1799 - 1804 .

崔建明 , 刘建明 , 廖周宇 . 基于 SVM 算法的文本分类技术研究 [J ] . 计算机仿真 , 2013 ( 2 ): 299 - 302 .

CUI J M , LIU J M , LIAO Z Y . Research of text categorization based on support vector machine [J ] . Computer Simulation , 2013 ( 2 ): 299 - 302 .

TKACHENKO M , SIMANOVSKY A . Named entity recognition:Exploring features [Z ] . 2012 .

ZHENG X Q , CHEN H Y , XU T Y , et al . Deep learning for Chinese word segmentation and POS tagging [C ] // Empirical Methods in Natural Language Processing,Oct 18-21,2013,Seattle,Washington,USA.[S.l.:s.n] . 2013 : 647 - 657 .

LECUN Y , BENGIO Y , HINTON G . Deep learning [J ] . Nature , 2015 , 521 ( 7553 ): 436 - 444 .

浏览量

826

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于GRW和FastText模型的电信用户投诉文本分类应用

基于卷积神经网络的极化码译码算法

基于Transformer模型的社交网络影响力最大化算法

GMTBLC：基于深度学习的双模态网络流量分类

基于改进YOLOv5的天线下倾角识别方法研究