基于递归神经网络的文本分类研究

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。