计算机应用

作者：邱宁佳, 丛琳, 周思丞, 王鹏, 李岩芳

单位：长春理工大学 计算机科学技术学院, 长春 130022

关键词：卷积神经网络,奇异值分解,主动学习,梯度下降,文本分类

基金：吉林省重大科技招标项目（20170203004GX）；吉林省省级产业创新专项（2017C051）。

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。

来源：2019年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2019年第3期