view in publisher's site

Convolutional Neural Networks for Text Classification with Multi-size Convolution and Multi-type Pooling

Text classification is a very important problem in Nature Language Processing (NLP). The text classification based on shallow machine-learning models takes too much time and energy to extract features of data, but only obtains poor performance. Recently, deep learning methods are widely used in text classification and result in good performance. In this paper, we propose a Convolutional Neural Network (CNN) with multi-size convolution and multi-type pooling for text classification. In our method, we adopt CNNs to extract features of the texts and then select the important information of these features through multi-type pooling. Experiments show that the CNN with multi-convolution and multi-type pooling (CNN-MCMP) obtains better performance on text classification compared with both the shallow machine-learning models and other CNN architectures.

convolutional شبکه‌های عصبی مصنوعی برای طبقه‌بندی متن با Convolution چند سایز و چند نوع

طبقه‌بندی متن یک مساله بسیار مهم در پردازش زبان طبیعی (NLP)است. طبقه‌بندی متن براساس مدل‌های یادگیری ماشین سطحی زمان و انرژی زیادی برای استخراج ویژگی‌های داده‌ها صرف می‌کند، اما تنها عملکرد ضعیف را به دست می‌آورد. اخیرا روش‌های یادگیری عمیق به طور گسترده در طبقه‌بندی متن استفاده می‌شوند و منجر به عملکرد خوب می‌شوند. در این مقاله، ما یک شبکه عصبی مصنوعی (سی ان ان)را با کانولوشن چند مقیاسی و ادغام چند نوع برای طبقه‌بندی متن پیشنهاد می‌کنیم. در روش ما، از cnns برای استخراج ویژگی متون استفاده می‌کنیم و سپس اطلاعات مهم این ویژگی‌ها را از طریق ادغام چند نوع انتخاب می‌کنیم. آزمایش‌ها نشان می‌دهد که شبکه سی ان ان با convolution چند type و چند - (سی ان ان - MCMP)عملکرد بهتری را در طبقه‌بندی متن در مقایسه با مدل‌های یادگیری ماشین سطحی و دیگر معماری‌های شبکه CNN به دست آورد.
ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.