针对低频词进行改进的中文短文本分类方法
Improved Chinese short text classification method for low frequency words
广东工业大学 a. 计算机学院; b. 图书馆, 广州 510006
摘要
中文短文本分类中存在大量低频词，利用好低频词中的信息能有效提高文本分类效果，针对基于词向量的文本分类研究中低频词不能被有效利用的问题，提出一种针对低频词进行数据增强的方法。首先，利用受限文本生成模型产生的数据来微调低频词的词向量，再利用一种词向量的构造算法将高频词的更新信息迁移到低频词中，使低频词获取更准确且符合训练集分布的词向量表示；其次，引入相似词和实体概念等先验知识来补充上下文信息；最后，利用改进的卡方统计去除明显的噪声词，以及设计词注意力层对每个词进行加权，减少无关噪声对分类的影响。在多个基础分类模型上进行实验，结果表明各基础模型经改进后都有明显提升，体现了提出方法的有效性，同时也说明了短文本分类任务中低频词能改善分类的效果。
基金项目
国家自然科学基金资助项目(71402033)
广东省图书馆科研课题(GDTK1928)
出版信息
DOI: 10.19734/j.issn.1001-3695.2021.08.0385
出版期卷: 《计算机应用研究》 印刷出版, 2022年第39卷 第2期
所属栏目: 算法研究探讨
出版页码: 468-473,478
文章编号: 1001-3695(2022)02-024-0468-06
发布历史
[2021-12-17] 优先出版
[2022-02-05] 印刷出版
引用本文
罗孝波, 林佳瑜, 梁祖红, 等. 针对低频词进行改进的中文短文本分类方法 [J]. 计算机应用研究, 2022, 39 (2): 468-473,478. (Luo Xiaobo, Lin Jiayu, Liang Zuhong, et al. Improved Chinese short text classification method for low frequency words [J]. Application Research of Computers, 2022, 39 (2): 468-473,478. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
