文献类型：期刊文章

作　　者：梁志剑[1] 谢红宇[1] 安卫钢[2]

LIANG Zhi-jian;XIE Hong-yu;AN Wei-gang(College of Big Data,North University of China,Taiyuan 030051,China;The Graduate School,North University of China,Taiyuan 030051,China)

机构地区：[1]中北大学大数据学院,山西太原030051 [2]中北大学研究生院,山西太原030051

出　　处：《计算机工程与设计》

基　　金：山西省纪检信访大数据智能情报管理系统开发基金项目（201703D121025）;山西省回国留学人员科研基金项目（2017-093）

年　　份：2020

卷　　号：41

期　　号：2

起止页码：381-385

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、IC、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对传统的循环神经网络模型在处理长期依赖问题时面临着梯度爆炸或者梯度消失的问题,且参数多训练模型时间长,提出一种基于双向GRU神经网络和贝叶斯分类器的文本分类方法。利用双向GRU神经网络提取文本特征,通过TF-IDF算法权重赋值,采用贝叶斯分类器判别分类,改进单向GRU对后文依赖性不足的缺点,减少参数,缩短模型的训练时间,提高文本分类效率。在两类文本数据上进行对比仿真实验,实验结果表明,该分类算法与传统的循环神经网络相比能够有效提高文本分类的效率和准确率。

关 键 词：深度学习  文本分类 循环神经网络 GRU神经网络  贝叶斯分类器

分 类 号：TP391.1]