基于LSTM-ICNN的网络情报信息技术研究
传统的短本文分类方法不仅会造成特征向量的高稀疏性及维度灾难,而且还不能准确表达语序信息,采用改进卷积神经网络(ICNN)能够对文本特征进行有效挖掘,长短期记忆神经网络(LSTM)能够实现语序的准确表达,为此提出了基于LSTM-ICNN的短文本分类技术研究.首先,为了提高传统卷积神经网络的特征提取能力,引入了三种卷积核因子,提高了短文本特征信息的获取量.然后,由于LSTM具有优秀的字词序列语义表达效果,所以提出了基于LSTM-ICNN的短文本分类方法,该方法解决了短文本分类时特征量较少及语序表达不准确的问题.实验对比分析显示,在相同条件下,相比于其他传统的分类算法,LSTM-ICNN的短文本分类准确度最高,而且与现有研究成果相比,LSTM-ICNN方法具有明显优势,验证了本文所提方法的有效性和实用性.
卷积神经网络、长短期记忆神经网络、短文本、分类、深度学习
42
TP183;TP391.1;TN0(自动化基础理论)
2019-12-03（万方平台首次上网日期，不代表论文的发表时间）
共5页
144-148
