资料下载
×
如何结合改进主动学习的SVD-CNN进行弹幕文本分类算法资料说明
消耗积分:0 |
格式:rar |
大小:1.08 MB |
2019-05-06
分享资料个
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。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
