施工组织设计是指导工程建设全过程活动的技术、经济和组织的综合性文件,随着自然语言处理(natural language processing,NLP)等人工智能技术的发展,针对施工组织设计文档智慧辅助审查中基础性工作:文本分类问题开展研究。为实现施工组...施工组织设计是指导工程建设全过程活动的技术、经济和组织的综合性文件,随着自然语言处理(natural language processing,NLP)等人工智能技术的发展,针对施工组织设计文档智慧辅助审查中基础性工作:文本分类问题开展研究。为实现施工组织设计文本的自动分类,运用Word2vec词嵌入技术对文本进行向量化表示,基于双向长短时记忆网络(bi-directional long short-term memory,Bi-LSTM)捕捉文本上下文序列信息,融入Attention机制,提取文本有效信息,采用softmax激活函数分类。结果表明:Attention Bi-LSTM在房建数据集上达到0.97的准确率、召回率以及F值,整体分类效果在正确率、宏平均、加权平均上均优于其他模型。融入Attention机制的Bi-LSTM文本分类模型通过双向捕获文本的特征并利用Attention机制提取有效信息,达到了联合优化的作用,提高了模型的分类性能。展开更多
文摘施工组织设计是指导工程建设全过程活动的技术、经济和组织的综合性文件,随着自然语言处理(natural language processing,NLP)等人工智能技术的发展,针对施工组织设计文档智慧辅助审查中基础性工作:文本分类问题开展研究。为实现施工组织设计文本的自动分类,运用Word2vec词嵌入技术对文本进行向量化表示,基于双向长短时记忆网络(bi-directional long short-term memory,Bi-LSTM)捕捉文本上下文序列信息,融入Attention机制,提取文本有效信息,采用softmax激活函数分类。结果表明:Attention Bi-LSTM在房建数据集上达到0.97的准确率、召回率以及F值,整体分类效果在正确率、宏平均、加权平均上均优于其他模型。融入Attention机制的Bi-LSTM文本分类模型通过双向捕获文本的特征并利用Attention机制提取有效信息,达到了联合优化的作用,提高了模型的分类性能。