交通信息标准条款BLSTM和CNN链式模型分类方法

TP391.9; 为了有效获取交通运输信息标准中的一致性条款,简化标准测试方法,针对现有文本分类方法中卷积神经网络存在的缺少上下文含义和循环神经网络存在的梯度消失及梯度弥散等问题,提出一种基于BLSTM的文本增强表示方法和基于CNN网络的语句分类相结合的方法进行一致性条款分类.其核心思想是将BLSTM前向和后向过程产生的向量相加,然后与原文本向量拼接作为文本的向量表示,将文本向量作为CNN网络的输入进行文本分类.为验证所提模型的有效性,设置了与传统机器模型TF-IDF+SVM、单CNN、BLSTM神经网络模型及经典混合模型的对比试验.通过构造的交通运输信息标准条款数据集测试表明,基于改进的BL...

Full description

Saved in:
Bibliographic Details
Published in江苏大学学报（自然科学版） Vol. 41; no. 2; pp. 143 - 148
Main Authors 范维克, 张绍阳, 陈博远, 王珂
Format Journal Article
LanguageChinese
Published 长安大学信息工程学院,陕西西安,710064 01.03.2020
Subjects
卷积神经网络
交通信息标准条款
语义增强
文本表示
文本分类
BLSTM
Online AccessGet full text
ISSN1671-7775
DOI10.3969/j.issn.1671-7775.2020.02.004

Cover

More Information
Summary:TP391.9; 为了有效获取交通运输信息标准中的一致性条款,简化标准测试方法,针对现有文本分类方法中卷积神经网络存在的缺少上下文含义和循环神经网络存在的梯度消失及梯度弥散等问题,提出一种基于BLSTM的文本增强表示方法和基于CNN网络的语句分类相结合的方法进行一致性条款分类.其核心思想是将BLSTM前向和后向过程产生的向量相加,然后与原文本向量拼接作为文本的向量表示,将文本向量作为CNN网络的输入进行文本分类.为验证所提模型的有效性,设置了与传统机器模型TF-IDF+SVM、单CNN、BLSTM神经网络模型及经典混合模型的对比试验.通过构造的交通运输信息标准条款数据集测试表明,基于改进的BLSTM和CNN的链式混合神经网络模型准确率达到93.77％.
ISSN:1671-7775
DOI:10.3969/j.issn.1671-7775.2020.02.004