结合语义扩展和卷积神经网络的中文短文本分类方法

摘要 中文新闻标题通常包含一个或几十个词，由于字符数少、特征稀疏，在分类问题中难以提升正确率。为解决此问题，提出了基于Word Embedding的文本语义扩展方法。首先，将新闻标题扩展为（标题、副标题、主题词）构成的三元组，用标题的同义词结合词性过滤方法构造副标题，对多尺度滑动窗口内的词进行语义组合，提取主题词；然后，针对扩展文本构造卷积神经网络（CNN）分类模型，该模型通过max pooling及随机dropout进行特征过滤及防止过拟合；最后，将标题、副标题拼接为双词表示，与多主题词集分别作为模型的输入。在2017自然语言处理与中文计算评测（NLP&CC2017）的新闻标题分类数据集上进行实验。实验结果表明，用三元组扩展结合相应的CNN模型在18个类别新闻标题上分类的正确率为79.42%，比未经扩展的CNN模型提高了9.5%，且主题词扩展加快了模型的收敛速度，验证了三元组扩展方法及所构建CNN分类模型的有效性