基于TextCNN的地震新闻标题分类方法

当破坏性地震发生后,大量信息产出,网上的地震新闻信息更是大量汇集。高效精准地识别与自动分类地震新闻,可使地震应急部门及时搜集各方面的应急态势,缓解面对海量新闻的压力,减少获取信息的时间成本。首先论述了地震新闻标题数据集的建设,然后实验对比分析了深度学习模型对地震新闻标题文本的分类效果。实验表明,采用Word2vec进行文本表示的TextCNN分类模型效果比较好,准确率达到了92.03%。

基于TextCNN与多头注意力机制增强xDeepFM的互联网营销活动参与预测研究

在当前的互联网营销环境中,多数模型尚未深入分析用户特征及用户行为的复杂性。对此,文章提出一种基于文本卷积神经网络(TextCNN)与多头注意力机制增强的xDeepFM(eXtreme Deep Factorization Machine)模型,即xDTCMAFM。首先,利用TextCNN高效地从文本数据中提取关键特征;其次,通过多头注意力机制进行不同子空间的特征提取;最后,使用xDeepFM模型实现深度显隐特征的交叉融合。实验表明,在两个互联网营销活动数据集上,该模型的AUC值分别达到了69.09%和72.98%,表现出了较好的性能,与xDeepFM等流行模型及融合注意力机制的改进模型相比均有一定提升。

基于TextCNN-Attention-BiLSTM融合模型的煤矿隐患文本分类研究

为实现大量煤矿隐患文本的迅速、精确分类,及时了解安全概况并加以管理。首先,选取安全文库网中多个煤矿隐患数据库为实验数据源,对煤矿隐患文本进行预处理,包括去除噪声词、分词和词向量表示等;其次,利用TextCNN对文本进行卷积操作,提取不同尺寸的特征表示,再利用BiLSTM模型对得到的特征向量进行时序建模,并结合注意力机制(Attention),从而更好地关注文本中关键信息,捕捉文本全局语义信息;最后,利用全连接层的多标签分类器预测文本隐患类别。实验结果表明:TextCNN-Attention-BiLSTM融合模型在准确率、精确率、召回率和F 1值上均达到92%以上,为煤矿隐患文本分类提供了一种更加准确和有效的解决方案,对煤矿安全管理优化具有重要意义。

融合TextCNN-BiGRU的多因子权重文本情感分类算法研究

随着深度学习技术在自然语言处理领域的广泛应用,短文本情感分类技术得到显著发展。该文提出了一种融合TextCNN-BiGRU的多因子权重文本情感分类算法。算法通过引入词语情感类别分布、情感倾向以及情感强度三个关键因子改进了词语的向量表示。将基于词向量表示的短文本分别作为TextCNN和BiGRU模型的输入,提取文本关键局部特征以及文本上下文的全局特征,将两种特征进行线性融合,实现中文短文本的情感分类。在公开的两个情感分类数据集上验证了多因子权重向量表示方法和融合TextCNN-BiGRU的情感分类模型的有效性,实验结果表明,文中提出的算法较单一模型在短文本情感分类准确率上提高了2%。

基于TextCNN模型的电子期刊文献推荐方法研究

论文提出基于TextCNN模型的电子期刊文献推荐方法,旨在更好地精确把握文献内容的本质特征与用户文献需求的深层关系,实现电子期刊文献推荐服务的个性化和精准化。使用word2vec对文献题录信息进行向量化,使用TextCNN模型训练文献推荐模型,最后主动将符合用户需求的文献推送给科研用户。实践证明,论文设计的推荐模型能够为用户推荐电子期刊文献,效果良好。

基于Bert-TextCNN的开源威胁情报文本的多标签分类方法

开源威胁情报对网络安全防护十分重要,但其存在着分布广、形式多、噪声大的特点.所以如何能对收集到的海量开源威胁情报进行高效的整理和分析就成为亟需解决的问题.因此,探索了一种以Bert-TextCNN模型为基础且同时考虑标题、正文和正则判断的多标签分类方法.根据情报源发布文本的特点,设置正则判断规则,以弥补模型的欠缺;为更全面反映开源威胁情报文本所涉及的威胁主题,针对标题和正文分别设置了Bert-TextCNN多标签分类模型,并将2部分标签整理去重以得到文本的最终威胁类别.通过与只依据正文建立的Bert-TextCNN多标签分类模型进行对比,所设置的模型在性能上有所提升,且召回率提升明显,能为开源威胁情报分类工作提供有价值的参考.

融合BTM与TextCNN的文本语义增强主题爬虫研究

在拥有海量数据的信息时代,如何高效精准地检索到所需信息是一项巨大挑战,主题爬虫是获取某个特定领域信息的有效途径。通用的主题相似度计算通常是基于词粒度的特征表达,而忽略了文本整体的主题特征表达,会影响爬虫系统的查准率和查全率。对此,提出融合BTM与TextCNN模型的主题爬虫,将内容主题判别模块当作文本分类问题研究,通过融合BTM得到的文本主题向量与Word2vec词向量以增强文本语义信息,利用卷积神经网络提升判别模块的精确度,弥补了传统卷积神经网络分类模型中文本特征表示不充分的问题。实验结果表明,在开源新闻文本分类数据集(THUCNews)和自定义爬取的真实论文数据集中,融合BTM与TextCNN模型在测试集中的平均分类精准率分别为93.7%和91.3%,比只采用TextCNN的平均分类精确率分别提升了0.6、1.3个百分点。

基于Albert-TextCNN模型的多标签新闻文本分类

针对智能信息推送管理者的多标签新闻文本分类任务,提出了基于ALBERT-CNN模型的解决方案。利用ALBERT预训练模型和TextCNN卷积神经网络,充分进行语义理解和特征提取。通过ALBERT模型进行语义筛选,精准把握新闻文本内容和主题,再传递给TextCNN模型进行分类和标签预测。采用Sigmoid函数输出每个标签的概率,实现精准的多标签分类。实验验证382688条来自今日头条客户端的数据,ALBERT-CNN模型的F1-Score达到92.05%,召回率达到96.8%,精确率达到90%,相比于优于传统的ALBERT和ALBERT-Denses模型的F1-Score和召回率有所提升。在精确率上略低于AlBERT-Dense。该研究为提高信息推送效率和降低误导性信息的传播提供了一个新的解决方案。

基于BERT-TextCNN融合模型的垃圾短信识别方法

当今社会智能手机已经成为人们生活的必需品,庞大的智能手机用户数量使得垃圾短信充斥在整个通讯网络环境中,因此对于大量垃圾短信识别的研究非常重要。文章基于一种将BERT模型和TextCNN模型融合的垃圾短信识别方法,同时聚焦于垃圾短信文本的上下文语义以及关键词特征。该方法利用开源的垃圾短信数据集进行试验,试验结果表明,BERT-TextCNN融合模型在垃圾短信的识别在精准度、召回率以及F1值这些指标上都有不错的表现,相较于现有模型有明显提高。

基于ELMo-TextCNN的网络欺凌检测模型

网络欺凌检测是网络空间信息内容安全的重要研究内容,也关乎青少年在线安全.针对目前网络欺凌检测方案存在的训练样本少、难以处理多义词、分类性能不太理想等问题,提出一种ELMo-TextCNN检测模型.该模型首先采用迁移学习思想,利用预训练的ELMo(embeddings from language models)生成动态词向量,不仅解决了网络欺凌样本规模小的问题,而且由于ELMo采用了双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络结构,会根据上下文推断每个词对应的词向量,能够根据语境理解多义词.该模型再通过擅长处理短文本数据的TextCNN(text convolutional neural network)提取文本特征,最后经过全连接层输出分类结果.实验结果证明,提出的ELMo-TextCNN检测方法能够处理一词多义,并获得更好的分类检测效果.

基于TextCNN的邮政快递业申诉文本事件分类

为解决邮政安全监管部门在对大量申诉事件原因进行分类汇总时耗时耗力、效率低下等问题,提出应用Word2vec和TextCNN模型,实现对大量快递申诉文本事件进行申诉原因自动分类。首先对自采集的申诉文本做预处理,申诉原因分为延误、投递、丢失短少、损毁、其他共五种类型,再使用Word2vec进行词向量的转换,构建TextCNN模型,对其进行训练得到申诉文本的分类模型。在真实数据上的实验结果表明,该方法能够对申诉文本进行有效分类,准确率达到94.05%,召回率93.03%,F1值0.9325。

基于语义筛选的ALBERT-TextCNN中医文本多标签分类研究

针对中医领域中的大量未标注文本,以及传统多标签分类模型提取的文本语义信息不够完整等问题,提出一种用于中医文本的多标签分类模型语义筛选ALBERT-TextCNN。首先进行特定领域任务自训练,将哮喘领域内属于多标签分类任务但未标注文本输入ALBERT进行预训练任务;其次ALBERT多层的Transform对已标注数据分别进行动态向量化表示,基于语义筛选选取最佳编码层生成的高效文本向量;最后引入TextCNN建立多标签分类器,提取文本向量不同层次的语义信息特征。在中医数据集上验证方法的有效性,实验结果表明,该模型的多标签分类精度有所提高,更适用于中医文本的分类预测。

基于TextCNN-Bert融合模型的不良信息识别技术

敏感领域的不良信息具有极强的迷惑性和欺骗性,腐蚀人们的思想,影响人们的价值观和判断能力,危害社会安全,研究敏感领域不良信息的识别技术具有深远意义。通用的识别技术忽略了背景知识和隐喻问题,直接应用于敏感领域不良信息识别效果较差。提出一种基于TextCNN-Bert的融合模型,通过敏感领域主题识别和情感隐喻识别,实现对敏感领域不良信息的文本识别。实验结果表明,该模型在准确率、F 1评分等指标方面取得了良好的结果,相较于现有模型有显著提高。

基于GRU-TextCNN的日志序列异常检测方法

系统详细记录着系统的运行情况和事件,因此系统维护人员常常基于日志对系统状态进行分析,判断系统有无出现异常,以此更好地维护系统。由于现代系统日志数据大规模增加,传统的日志异常检测方法已经不适用现代系统日志。本文基于深度学习技术,提出了一种基于GRU-TextCNN的日志异常检测方法。该方法首先通过预处理将日志处理成日志语句,然后利用SBERT模型将日志语句转换成相应的句向量,随后利用滑动窗口提取日志序列,最后利用本文提出的基于GRU-TextCNN的日志序列异常检测模型检测日志序列。通过在两个数据集上的实验结果表明,该方法能够有效检测出日志序列异常。

基于TextCNN融合模型的离散情感分析

在自然语言分析中,情感分析通常是在分析一段文字所表现的情感状况。情感分析的使用场景非常宽泛,比如旅行平台、电影评论平台等所进行的评价,分为积极评论与消极评价;又或者为了研究客户对某一商品的总体使用感觉,对商品的整体使用评价并做出情感判断等。本文数据使用的是阿里云天池的电商评论的数据,分为积极消极两种情感,并将它改成6种情感,本文使用Jieba分词,决策树,lda主题模型,对文本进行挖掘,深入挖掘评论背后隐藏的问题。使用TextCNN,TextRCNN,TextRCNN-Attention模型对情感进行分类,并对模型进行对比。

一种基于BERT微调-TextCNN的电信网络诈骗案情文本分类设计

为了有效遏制电信网络诈骗案件高发多发态势,公安机关在持续实行高压严打政策的同时,还需注重打防结合,以防为先,突出精准宣传。电信网络诈骗类型多样,各具特点。通过归纳总结特征进行诈骗类型分类,可以达到对受骗者诈骗类型进行预测的目的,以帮助公安机关精准宣传。目前,警务实践中通过人工标注的方法过于依赖标注人员个人经验,进而耗费一定警力资源。本文采用了BERT模型与卷积神经网络CNN模型相结合的BERT微调-TextCNN模型。首先,利用BERT微调生成包含上下文信息的动态词向量,然后通过TextCNN提取文本局部特征,最后通过全连接层传入Softmax进行多分类。实验结果表明,在诈骗案情文本分类研究中,相比于TextCNN和BERT微调,BERT微调-TextCNN在准确率上分别提升了7.71%和6.3%,效果显著。借助BERT微调-TextCNN模型快速准确地对诈骗案情文本进行分类,让警务人员快速掌握受骗人被骗类型从而进行精准宣传,可以优化警力资源配置,节省警务成本。

基于LightGBM-TextCNN-XGBoost的超短期光伏功率预测研究

针对超短期光伏功率预测的传统方法存在的限制,本文提出了一种基于LightGBM-TextCNN-XGBoost算法的预测模型。首先,本文对原始数据进行了预处理,并使用CEEMDAN对数据进行模态分解。然后,该文将模态分解后的数据归一化,并基于GWO-FCM聚类算法将数据聚类为三种天气类型。接着,该文将数据划分为训练集和测试集,分别对LightGBM和TextCNN算法进行训练。最后,文章基于Stacking思想建立了基于LightGBM-TextCNN-XGBoost算法的模型进行预测,并使用R 2等评价指标对预测模型进行了综合评价。实验结果显示,文中模型的预测效果非常优秀。这种模型能够精确地预测光伏发电的功率,有助于光伏电站降低损失,从而确保微电网的安全稳健运行。

基于TextCNN的突发公共卫生事件网络舆情分类研究

近年来突发公共卫生事件引起了网民大规模的舆情讨论,新浪微博是很多主流媒体发布实事热点新闻的重要平台,更是聚集了众多网友的舆情讨论。文章以突发公共卫生事件网络舆情为研究对象展开研究,具体步骤包括新浪微博热点舆情文本数据采集和预处理、TextCNN卷积神经网络文本分类模型的训练和验证、TextCNN模型对突发公共卫生事件网络舆情情感分类3个部分。通过新浪微博突发公共卫生事件案例数据,验证了TextCNN卷积神经网络文本分类模型可以快速准确地实现网络舆情情感分类,研究成果可为政府相关部门快速判断公众舆情情感、对网络舆情进行有效监控等方面提供一定参考借鉴。

一种融合CINO+TextCNN+BiLSTM+Attention的藏文情感分类方法

文章在卷积神经网络(TextCNN)、长短期记忆神经网络(LSTM)、词向量(Word2vec),全局词向量(Glove)等传统的训练词向量基础上,提出一种基于CINO+TextCNN+BiLSTM+Attention的藏文情感分类模型,使用少数民族语言的多语言预训练模型(CINO)来获取上下文语义的词向量,通过TextCNN和BiLSTM结合的注意力机制来提取局部信息和语义特征信息。文章构建了包含1.7万条藏文情感分类词的语料库,使用TextCNN、BiLSTM、CINO、CINO+TextCNN、CINO+BiLSTM、CINO+BiLSTM+Attention、CINO+TextCNN+BiLSTM+Attention等7种不同模型进行对比实验,实验结果表明本文提出的模型在藏文情感分类中的效果最优,其准确率上达到90.74%。

基于TextCNN的试飞运营问题分类

针对需要识别海量试飞运营问题中的故障问题用于可靠性指标计算评估,基于深度学习中的文本卷积神经网络,提出一种试飞运营问题文本分类方法。通过收集大量的以人工分类的试飞运营问题文本作为实验数据集,并进行相应的预处理,运用Word2Vec模型将问题描述文本训练成词向量,构建出TextCNN模型进行训练完成问题文本的分类。最后通过实验表明,基于TextCNN模型的试飞运营问题分类方法可以为试飞运营问题自动化分类工作提供参考。