《深度学习在文本分类中的应用探究》11000字【论文】

表310所示，能清楚直观的显示模型处理各个类别的水平。对角线所处的位置代表模型预测正确的，对角线外代表模型预测错误的，这里可以发现对角线外的数值相对很小。通过观察，这个模型有着比较高的准确率，通过混淆矩阵可以列出混淆表格，进而计算准确率、召回率、F值等指标。如REF_Ref70639197\h表39所示，可以看到在测试集上的准确率达到了96.04%，且各类的指标都超过了0.9。在测试集上进行TextRNN模型的测试，如REF_Ref70074041\h表311所示，可以看到测试集的准确率达到了94.22%，各类的指标基本超过了0.9。在REF_Ref70639222\h表312中，可以看到第有几个比较大的数据，说明某一类别的预测效果并不理想。表STYLEREF1\s3SEQ表\*ARABIC\s111TextRNN模型分类结果TestLoss0.21TestAcc94.22%precisionrecallF-measure家居0.970.730.83教育0.910.920.91科技0.930.960.94财经0.910.990.95房产1.001.001.00时尚0.890.970.93时政0.930.930.93游戏0.950.970.96娱乐0.970.960.97体育0.990.990.99avg/total0.940.940.94表STYLEREF1\s3SEQ表\*ARABIC\s112TextRNN混淆矩阵9880004020510990111106000299611000002711731512088283513079182343194130309643521010171397206901600222609312323002212097270311731159960实验对比分析使用TextCNN、TextRNN模型处理相同文本数据进行对比实验。为评估实验算法的性能，对准确率、损失函数、精确率、召回率、F值等指标进行了分析。通过对比REF_Ref70638869\h图31和REF_Ref70638871\h图32，发现当一开始迭代相同的次数时，CNN模型用于文本分类的准确率和损失函数下降速率都是明显高于RNN模型，并且它在迭代1600次时结束了训练。而RNN模型在迭代3000次才结束。通过观察REF_Ref70638799\h表35至REF_Ref70638825\h表38，CNN模型只迭代了3次就停止，耗时50秒，验证集最佳效果为94.12%。而RNN模型迭代了8次才停止，耗时33分钟，验证集最佳效果为91.42%，TextCNN模型在效率性能上非常明显地完胜了TextRNN模型。对比REF_Ref70639197\h表39和REF_Ref70074041\h表311，进行模型测试时，CNN模型测试集上的准确率达到了96.04%，损失值只有0.14，而RNN模型的准确率为94.22%，损失值为0.21,明显CNN模型的拟合能力较好。在准确率上TextRNN也稍逊色于TextCNN。在CNN模型中，各类别的平均精确率为0.96，平均召回率为0.96。F值为0.96。在RNN模型中，平均精确率为0.94，平均召回率为0.94，F值为0.94。大体上是同一水平的性能，精确率的值都很高，说明算法效果都不错。但在REF_Ref70639222\h表312中明显可以看到第四行除对角线外的值有些大，故而体现到RNN模型的家居类别的召回率只有0.73，说明TextRNN模型对家具类文本分类问题预测效果不好。通过查阅资料总结出：当句子的分类是由整个句子决定的时候，建议使用RNN，

当句子的分类是由几个局部的语义决定的时候，CNN会更容易分类正确。整体来说，由于TextRNN的模型比较复杂，特别是做项目讲究的是效率性能，除非对一些特定的任务必须用TextRNN，一般TextCNN模型在文本分类上有着较大的优势。结语随着通信技术和移动互联网的快速发展，文本信息越来越复杂。文本分类可以从大量数据中获取有效信息，并且文本分类一直是自然语言处理领域的一个热点，研究价值很高。同时深度学习这几年一直发展迅猛，其算法模型也很适合用于处理文本数据。本文通过分析和总结CNN和RNN模型原理的基础，研究了深度学习在文本分类中的应用。通过不断试验调参，最终确定了合适的参数集合，使用可以为不同参数设计自适应学习率的优化算法，使用了多项评价指标来评估模型性能，结果在分类问题中都取得了不错的效果。说明了模型设计的有效性。研究的不足和进一步的想法有以下几个方面：本实验搭建的是两种常见的网络模型，实验不够丰富比较单调，最近几年也有提出一些新的模型和一些改进的模型，由于时间和自身能力的不足，没有实现多模型的比较。由于自身电脑配置的问题，没有更好的硬件环境进行实验，如果条件允许会尝试用CPU进行实验。数据集过于单一，可以对多种不同类型的语料进行文本分类工作，通过对比可以总结各个模型更适合处理的数据集。在以后的生活中，我会继续积累这方面的知识，尽量去学习更多的深度学习应用的领域，探索世界，了解世界。参考文献陈东焰,陆畅.从AlphaGo看机器学习[J].科技创新导报,2020,17(13):146+148.猿辅导研究团队.深度学习核心技术与实践[M].北京：电子工业出版社.2018.2.高志强,黄剑,李永.深度学习从入门到实践[M].北京：中国铁道出版社.2018.6.高强.基于深度卷积网络学习算法及其应用研究[D].北京化工大学,2015.于游,付钰,吴晓平.中文文本分类方法综述[J].网络与信息安全报,2019,5(05):1-8.陶永才,杨朝阳,石磊,卫琳.池化和注意力相结合的新闻文本分类方法[J].小型微型计算机系统,2019,40(11):2393-2397.徐泓洋,杨国为.中文文本特征选择方法研究综述[J].工业控制计机,2017,30(11):80-81.游攀利.基于集成SVM的文本分类方法研究[D].华中科技大学,2014.候汉清.分类法的发展趋势简论[J].情报科学，1981(01):58-63+30.牛雪莹.结合主题模型词向量的CNN文本分类[J].计算机与现代化,2019(10):7-10.赖文辉.基于深度学习理论的中文文本分类技术研究[D].华