基于弱化图卷积网络的文本分类

文本分类是自然语言处理领域中的经典问题。传统的文本分类模型存在需要人工提取特征,分类准确率不高,难以处理非欧氏空间数据等问题。为了解决上述问题,进一步提高文本分类的准确率,提出了W-GCN模型。该模型在Text-GCN模型的基础上加以改进,建立了全新的弱化结构模型,用以替换Text-GCN模型中对神经元的Dropout操作,并通过弱化权重,精确控制弱化力度大小,在一定程度保留Dropout防止过拟合功能的基础上,避免了由直接丢弃神经元造成的特征丢失问题,因此提高了模型分类的准确率。与Text-GCN模型相比,基于弱化图卷积网络建立的W-GCN模型,在R8数据集上准确率提高了0.38%,在R52数据集上准确率提高了0.62%。实验结果证明了模型改进和弱化结构的有效性。