现有文本分类模型对文本的全局信息和局部信息利用不足,导致文本分类性能较差。针对这一问题,提出一种将文本的全局和局部特征动态融合(global and local features dynamic fusion,GLFDF)的分类模型。所提模型首先设计动态融合增强模块...现有文本分类模型对文本的全局信息和局部信息利用不足,导致文本分类性能较差。针对这一问题,提出一种将文本的全局和局部特征动态融合(global and local features dynamic fusion,GLFDF)的分类模型。所提模型首先设计动态融合增强模块动态控制文本的全局时序特征与局部语义特征融入单词嵌入矩阵的每个特定位置;其次,将融合全局和局部特征的嵌入矩阵馈送到特征提取模块中进行特征提取;最后,在Ohsumed和THUCNews数据集上测试所提模型的效果。实验结果表明:GLFDF模型在2个数据集上的F1值分别达到63.24%和92.50%,优于其他文本分类模型,提高了文本分类的性能。由消融实验分析可知,动态融合增强模块可以充分融合文本的全局时序特征和局部语义特征,有效解决文本分类模型对全局信息和局部信息利用不足的问题。展开更多
文摘现有文本分类模型对文本的全局信息和局部信息利用不足,导致文本分类性能较差。针对这一问题,提出一种将文本的全局和局部特征动态融合(global and local features dynamic fusion,GLFDF)的分类模型。所提模型首先设计动态融合增强模块动态控制文本的全局时序特征与局部语义特征融入单词嵌入矩阵的每个特定位置;其次,将融合全局和局部特征的嵌入矩阵馈送到特征提取模块中进行特征提取;最后,在Ohsumed和THUCNews数据集上测试所提模型的效果。实验结果表明:GLFDF模型在2个数据集上的F1值分别达到63.24%和92.50%,优于其他文本分类模型,提高了文本分类的性能。由消融实验分析可知,动态融合增强模块可以充分融合文本的全局时序特征和局部语义特征,有效解决文本分类模型对全局信息和局部信息利用不足的问题。