|
|
1.
结合改进主动学习的SVD-CNN弹幕文本分类算法
邱宁佳, 丛琳, 周思丞, 王鹏, 李岩芳
计算机应用
2019, 39 (3):
644-650.
DOI: 10.11772/j.issn.1001-9081.2018081757
为解决传统卷积神经网络（CNN）模型使用池化层进行文本特征降维会损失较多文本语义信息的问题，提出一种基于奇异值分解（SVD）算法的卷积神经网络模型（SVD-CNN）。首先，采用改进的基于密度中心点采样的主动学习算法（DBC-AL）选择对分类模型贡献率较高的样本进行标注，以低标注代价获得高质量模型训练集；然后，结合SVD算法建立SVD-CNN弹幕文本分类模型，使用奇异值分解的方法代替传统CNN模型池化层进行特征提取和降维，并在此基础上完成弹幕文本分类任务；最后，使用改进的梯度下降算法（PSGD）对模型参数进行优化。为了验证改进算法的有效性，使用多种弹幕数据样本集，对提出的模型与常用的文本分类模型进行对比实验。实验结果表明，改进的算法能够更好地保留文本语义特征，保证训练过程的稳定性并提高了模型的收敛速度，在不同的弹幕文本上较传统算法具有更好的分类性能。
参考文献 |
相关文章 |
多维度评价
|
|
