声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：高云龙,左万利,王英,王鑫,
关键词：CNN, 稀疏, 自学习, 分类, L1范数,
句子分类模型的建立对于自然语言理解的研究有着十分重要的意义.基于卷积神经网络(convolutionalneuralnetworks,CNN)提取数据特征的特点，提出基于稀疏自学习卷积神经网络(sparseandself-taughtCNN,SCNN)的句子分类模型.首先，在卷积层排除人为约定的特征map输入，自学习前一层输入的特征矩阵的有效组合，动态捕获句子范围内各个特征的有效关联；然后，在训练过程中利用L1范数增加稀疏性约束，降低模型复杂度；最后，在采样层利用K-MaxPooling选择句子中最大特征的序列，并保留特征之间的相对次序.SCNN可以处理变长的句子输入，模型的建立不依赖于句法、分析树等语言学特征，从而适用于任何一种语言.通过对语料库进行句子分类实验，验证了所提出模型有较好的分类效果.
来源：2018年第1期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。