您当前所在位置: 首页 > 首发论文
动态公开评议须知

1. 评议人本着自愿的原则,秉持科学严谨的态度,从论文的科学性、创新性、表述性等方面给予客观公正的学术评价,亦可对研究提出改进方案或下一步发展的建议。

2. 论文若有勘误表、修改稿等更新的版本,建议评议人针对最新版本的论文进行同行评议。

3. 每位评议人对每篇论文有且仅有一次评议机会,评议结果将完全公示于网站上,一旦发布,不可更改、不可撤回,因此,在给予评议时请慎重考虑,认真对待,准确表述。

4. 同行评议仅限于学术范围内的合理讨论,评议人需承诺此次评议不存在利益往来、同行竞争、学术偏见等行为,不可进行任何人身攻击或恶意评价,一旦发现有不当评议的行为,评议结果将被撤销,并收回评审人的权限,此外,本站将保留追究责任的权利。

5. 论文所展示的星级为综合评定结果,是根据多位评议人的同行评议结果进行综合计算而得出的。

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

勘误表

上传勘误表说明

  • 1. 请按本站示例的“勘误表格式”要求,在文本框中编写勘误表;
  • 2. 本站只保留一版勘误表,每重新上传一次,即会覆盖之前的版本;
  • 3. 本站只针对原稿进行勘误,修改稿发布后,不可对原稿及修改稿再作勘误。

示例:

上传后印本

( 请提交PDF文档 )

* 后印本是指作者提交给期刊的预印本,经过同行评议和期刊的编辑后发表在正式期刊上的论文版本。作者自愿上传,上传前请查询出版商所允许的延缓公示的政策,若因此产生纠纷,本站概不负责。

发邮件给 王小芳 *

收件人:

收件人邮箱:

发件人邮箱:

发送内容:

0/300

论文收录信息

论文编号 201904-257
论文题目 基于注意力机制的混合神经网络模型的文本分类
文献类型
收录
期刊

上传封面

期刊名称(中文)

期刊名称(英文)

年, 卷(

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

书名(中文)

书名(英文)

出版地

出版社

出版年

上传封面

编者.论文集名称(中文) [c].

出版地 出版社 出版年-

编者.论文集名称(英文) [c].

出版地出版社 出版年-

上传封面

期刊名称(中文)

期刊名称(英文)

日期--

在线地址http://

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

上传封面

文题(中文)

文题(英文)

出版地

出版社,出版日期--

英文作者写法:

中外文作者均姓前名后,姓大写,名的第一个字母大写,姓全称写出,名可只写第一个字母,其后不加实心圆点“.”,

作者之间用逗号“,”分隔,最后为实心圆点“.”,

示例1:原姓名写法:Albert Einstein,编入参考文献时写法:Einstein A.

示例2:原姓名写法:李时珍;编入参考文献时写法:LI S Z.

示例3:YELLAND R L,JONES S C,EASTON K S,et al.

上传修改稿说明:

1.修改稿的作者顺序及单位须与原文一致;

2.修改稿上传成功后,请勿上传相同内容的论文;

3.修改稿中必须要有相应的修改标记,如高亮修改内容,添加文字说明等,否则将作退稿处理。

4.请选择DOC或Latex中的一种文件格式上传。

上传doc论文   请上传模板编辑的DOC文件

上传latex论文

* 上传模板导出的pdf论文文件(须含页眉)

* 上传模板编辑的tex文件

回复成功!


  • 0

基于注意力机制的混合神经网络模型的文本分类

首发时间:2019-04-22

秦丽萍 1   

秦丽萍(1993-),女,硕士研究生,研究方向:自然语言处理、文本分类

杨金民 1   

杨金民(1967-),男,教授、硕导,研究方向:软件工程、系统可靠性、数据挖掘、大数据

  • 1、湖南大学信息科学与工程学院,长沙,410006

摘要:文本分类是自然语言处理(NLP)中的重要任务之一。在文本分类中,句子建模是至关重要的。在已存在的工作中,卷积神经网络(CNN)能有效捕捉空间的局部相关性,循环神经网络(RNN)的变体双向长短期记忆神经网络模型(BiLSTM)能够从历史信息和未来信息中学习长期依赖性。针对它们的不同建模能力优势,本文提出了一种基于注意机制的混合神经网络模型。该模型首先基于BiLSTM引入一个贡献率来调整历史信息和未来信息的不同影响,并应用注意力机制将CNN与BiLSTM结合起来,运用注意力权重突出关键信息来缓解文本信息的丢失。实验结果表明,引入注意机制和贡献率可以有效提高文本分类的性能。

关键词: 文本分类 卷积神经网络 循环神经网络 长短记忆神经网络模型 双向长短记忆神经网络模型 注意力机制 贡献率

For information in English, please click here

Text Categorization Using Hybrid Neural Network Model Based on Attention Mechanism

qinliping 1   

秦丽萍(1993-),女,硕士研究生,研究方向:自然语言处理、文本分类

yangjinmin 1   

杨金民(1967-),男,教授、硕导,研究方向:软件工程、系统可靠性、数据挖掘、大数据

  • 1、Hunan University,College of Computer Science and Electronic Engineering,changsha,410006

Abstract:Text categorization is one of important tasks in natural language processing(NLP). In text categorization, sentence modeling is critical. In exsisting schemes, local correlation of spatial can be effectively captured by convolutional neural network (CNN), and long-term dependencies, historical information and follwing information can obtained by BiLSTM a variant of recurrent neural network (RNN). For their different modeling capabilities, this paper proposes a hybrid neural network model based on the attention mechanism. It first introduces a contribution rate based on BiLSTM to adjust the different influences on historical information and following information and applies the attention mechanism to combine CNN with BiLSTM to figure out the weight of key information for the relief of the loss of text information. The experimental results show that the introduction of attention mechanism and the contribution rate can effectively improve the accuracy of text categorization.

Keywords: Text categorization Convolutional Neural Network Recurrent Neural Network Long Short-Term Memory Bidirectional LSTM Attention mechanism Contribution rate

Click to fold

点击收起

基金:

论文图表:

引用

导出参考文献

.txt .ris .doc
秦丽萍,杨金民. 基于注意力机制的混合神经网络模型的文本分类[EB/OL]. 北京:中国科技论文在线 [2019-04-22]. http://www.paper.edu.cn/releasepaper/content/201904-257.

No.****

同行评议

未申请同行评议

评论

全部评论

0/1000

勘误表

基于注意力机制的混合神经网络模型的文本分类