%0 Journal Article
%T 基于递归神经网络的文本分类研究
%A 杜昌顺
%A 黄磊
%J 北京化工大学学报(自然科学版)
%D 2017
%R 10.13543/j.bhxbzr.2017.01.017
%X 使用基于长短项记忆（LSTM）和门阀递归单元（GRU）计算节点的双向递归神经网络提取文本特征，然后使用softmax对文本特征进行分类。这种基于深度学习的神经网络模型以词向量作为基本输入单元，充分考虑了单词的语义和语法信息，并且在神经网络的计算过程中严格遵守单词之间的顺序，保留原文本中语义组合的方式，可以克服传统文本分类方法的不足。使用本文所提方法在第三届自然语言处理和中文计算会议（NLPCC 2014）公布的新华社新闻分类语料和路透社RCV1-v2语料上进行实验，其分类F1值分别达到了88.3%和50.5%，相较于传统的基线模型有显著的提升。由于该方法不需要人工设计特征，因此具有很好的可移植性。
%K 文本分类
%K 深度学习
%K 长短项记忆(LSTM)
%K 门阀递归单元(GRU)
%K 双向递归神经网络
%K 词向量
%U http://www.journal.buct.edu.cn/CN/abstract/abstract15560.shtml