基于CNN特征增强和LSTM的新闻文本分类模型  

A Model for News Text Classification Based on Feature Enhanced CNN and LSTM

作　　者：李亚宁 王汝凉 夏馨 LI Ya-ning;WANG Ru-liang;XIA Xin

机构地区：[1]广西民族大学相思湖学院理工学院,广西南宁530225 [2]南宁师范大学物理与电子学院,广西南宁530023

出　　处：《南宁师范大学学报（自然科学版）》2024年第1期70-77,共8页Journal of Nanning Normal University：Natural Science Edition

基　　金：广西自然科学基金项目(2020GXNSFAA297184)。

摘　　要：传统的卷积神经网络(CNN)难以获取丰富的新闻文本特征.为了增强CNN网络的混合文本特征,该文提出一种融合CNN和双向长短期记忆网络(BiLSTM)的双通道文本分类模型.该模型利用CNN池化层提取新闻语句的前后两段最大特征,以此构建特征增强的CNN通道,从而提高CNN网络捕捉新闻关键信息的能力;另一通道采用BiLSTM提取新闻句子结构特征,并利用注意力机制进一步加强数据;最后将两个通道的特征融合利用Softmax函数分类.实验结果表明,在两个公开新闻数据集上,与传统模型相比,该文提出的模型在准确率、召回率等常用指标上具有较大的优势.

关 键 词：注意力机制 双向长短期记忆网络 新闻分类 池化层增强 双通道 

分 类 号：TP391[自动化与计算机技术—计算机应用技术]