文献类型：期刊文章

作　　者：高云龙[1,2] 左万利[1,2] 王英[1,2] 王鑫[2,3]

GAO Yunlong;ZUO Wanli;WANG Ying;WANG Xin(College of Computer Science and Technology,Jilin University,Changchun 130012,China;Key Laboratory of Symbol Computation and Knowledge Engineering of Ministry of Education,Changchun 130012,China;School of Computer Technology and Engineering,Changchun Institute of Technology,Changchun 130012,China)

机构地区：[1]吉林大学计算机科学与技术学院,长春130012 [2]吉林大学符号计算与知识工程教育部重点实验室,长春130012 [3]长春工程学院计算机技术与工程学院,长春130012

出　　处：《吉林大学学报（理学版）》

基　　金：国家自然科学基金(批准号:60903098;60973040);国家自然科学基金青年科学基金(批准号:61300148);吉林大学研究生创新项目(批准号:2016184)

年　　份：2018

卷　　号：56

期　　号：4

起止页码：933-938

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、INSPEC、JST、MR、RCCSE、ZGKJHX、ZMATH、核心刊

摘　　要：针对短文本具有稀疏性强和文本长度较小等特性,为更好地处理短文本分类问题,提出一个基于集成神经网络的短文本分类模型.首先,使用扩展词向量作为模型的输入,从而使数值词向量可有效描述短文本中形态、句法及语义特征;其次,利用递归神经网络(RNN)对短文本语义进行建模,捕获短文本内部结构的依赖关系;最后,在训练模型过程中,利用正则化项选取经验风险和模型复杂度同时最小的模型.通过对语料库进行短文本分类实验,验证了所提出模型有较好的分类效果,且该分类模型可处理变长的短文本输入,具有良好的鲁棒性.

关 键 词：短文本  集成神经网络 扩展词向量  分类  

分 类 号：TP181]