计算机应用

作者：张旭, 生龙, 张海芳, 田丰, 王巍

单位：1.河北工程大学 信息与电气工程学院, 河北 邯郸 056038；2.河北省安防信息感知与处理重点实验室(河北工程大学), 河北 邯郸 056038；3.邯郸市紧急救援指挥中心, 河北 邯郸 056002；4.河北工程大学 医学院, 河北 邯郸 056038

关键词：文本分类,院前急救文本,深度学习,加权卷积,标签混淆模型

基金：国家自然科学基金资助项目(61802107);河北省创新能力提升计划项目(215576135D)

针对院前急救文本专业词汇丰富、特征稀疏和标签混淆程度大等问题，提出一种基于标签混淆模型（LCM）的文本分类模型。首先，利用BERT获得动态词向量并充分挖掘专业词汇的语义信息；然后，通过融合双向长短期记忆（BiLSTM）网络、加权卷积和注意力机制生成文本表示向量，提高模型的特征提取能力；最后，采用LCM获取文本与标签间的语义联系、标签与标签间的依赖关系，从而解决标签混淆程度大的问题。在院前急救文本和公开新闻文本数据集THUCNews上进行实验，所提模型的F1值分别达到了93.46%和97.08%，相较于TextCNN（Text Convolutional Neural Network）、BiLSTM、BiLSTM-Attention等模型分别提升了0.95%~7.01%和0.38%~2.00%。实验结果表明，所提模型能够获取专业词汇的语义信息，更加精准地提取文本特征，并能有效解决标签混淆程度大的问题，同时具有一定的泛化能力。

来源：2023年第4期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第4期