10.3969/j.issn.1671-7775.2020.02.004
交通信息标准条款BLSTM和CNN链式模型分类方法
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％.
文本分类、文本表示、BLSTM、卷积神经网络、交通信息标准条款、语义增强
41
TP391.9(计算技术、计算机技术)
陕西省交通运输厅科技项目;陕西省技术创新引导专项
2020-06-08（万方平台首次上网日期，不代表论文的发表时间）
共6页
143-148
