文献类型：期刊文章

作　　者：王郝日钦[1,2] 吴华瑞[3,4] 冯帅[1] 刘志超[1] 许童羽[1]

WANG Haoriqin;WU Huarui;FENG Shuai;LIU Zhichao;XU Tongyu(College of Information and Electrical Engineering,Shenyang Agricultural University,Shenyang 110866,China;College of Computer Science and Technology,Inner Mongolia University for Nationalities,Tongliao 028043,China;National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China;Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China)

机构地区：[1]沈阳农业大学信息与电气工程学院,沈阳110866 [2]内蒙古民族大学计算机科学与技术学院,通辽028043 [3]国家农业信息化工程技术研究中心,北京100097 [4]北京农业信息技术研究中心,北京100097

出　　处：《农业机械学报》

基　　金：国家重点研发计划项目(2018YFD0300309);江苏大学农业装备学部项目和内蒙古民族大学科学研究基金项目(NMDYB18028、NMDYB18026、NMDYB17138)。

年　　份：2021

卷　　号：52

期　　号：7

起止页码：237-243

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了解决“中国农技推广APP”问答社区中水稻提问数据快速自动分类的问题,提出一种基于Attention_DenseCNN的水稻文本分类方法。根据水稻文本具备的特征,采用Word2vec方法对文本数据进行处理与分析,并结合农业分词词典对文本数据进行向量化处理,采用Word2vec方法能够有效地解决文本的高维性和稀疏性问题。对卷积神经网络(CNN)上下游卷积块之间建立一条稠密的链接,并结合注意力机制(Attention),使文本中的关键词特征得以充分体现,使文本分类模型具有更好的文本特征提取精度,从而提高了分类精确率。试验表明:基于Attention_DenseCNN的水稻问句分类模型可以提高文本特征的利用率、减少特征丢失,能够快速、准确地对水稻问句文本进行自动分类,其分类精确率及F1值分别为95.6%和94.9%,与其他7种神经网络问句分类方法相比,分类效果明显提升。

关 键 词：水稻问句分类  自然语言处理 密集连接卷积神经网络  注意力机制  

分 类 号：TP183]