| 融合上下文特征和BERT词嵌入的新闻标题分类研究 |
| |
| 引用本文： | 范 昊,何 灏.融合上下文特征和BERT词嵌入的新闻标题分类研究[J].情报科学,2022,40(6):90-97. |
| |
| 作者姓名： | 范 昊 何 灏 |
| |
| 摘 要： | 【目的/意义】随着社交媒体的发展，各类新闻数量激增，舆情监测处理越来越重要，高效精确的识别舆情新
闻可以帮助有关部门及时搜集跟踪突发事件信息并处理，减小舆论对社会的影响。本文提出一种融合 BERT、
TEXTCNN、BILSTM的新闻标题文本分类模型，充分考虑词嵌入信息、文本特征和上下文信息，以提高新闻标题类
别识别的准确率。【方法/过程】将使用BERT生成的新闻标题文本向量输入到TEXTCNN提取特征，将TEXTCNN
的结果输入到 BILSTM 捕获新闻标题上下文信息，利用 softmax判断分类结果。【结果/结论】研究表明，本文提出的
融合了基于语言模型的 BERT、基于词向量 TEXTCNN 和基于上下文机制 BILSTM 三种算法的分类模型在准确
率、精确率、召回率和F1值均达到了0.92以上，而且具有良好的泛化能力，优于传统的文本分类模型。【创新/局限】
本文使用BERT进行词嵌入，同时进行特征提取和捕获上下文语义，模型识别新闻类别表现良好，但模型参数较多
向量维度较大对训练设备要求较高，同时数据类别只有10类，未对类别更多或类别更细化的数据进行实验。
|
|
| 点击此处可从《情报科学》浏览原始摘要信息 |
|
点击此处可从《情报科学》下载全文 |
|
