基于词嵌入与长短期记忆(LSTM)的可操作及政治倾向文本分类
计算与语言
2016-07-15 v2 信息检索
摘要
在本工作中，我们应用词嵌入和带有长短期记忆(LSTM)的神经网络于文本分类问题，其中分类标准由应用场景的上下文决定。我们特别考察了两个应用。第一个是可操作性(Actionability)，我们构建模型将服务提供商的客户社交媒体消息分类为可操作(Actionable)或不可操作(Non-Actionable)。我们为超过30种不同语言构建了可操作性模型，大多数模型准确率达到约85%，部分超过90%。我们还表明，使用带有词嵌入的LSTM神经网络大幅优于传统技术。第二，我们探索关于政治倾向的消息分类，将社交媒体消息分类为民主党或共和党。该模型能够以87.57%的高准确率对消息进行分类。作为实验的一部分，我们改变了神经网络的不同超参数，并报告了此种变化对准确率的影响。这些可操作性模型已部署至生产环境，通过优先响应哪些消息来帮助公司代理提供客户支持。政治倾向模型已开放并可供更广泛使用。
引用
@article{arxiv.1607.02501,
title = {Actionable and Political Text Classification using Word Embeddings and LSTM},
author = {Adithya Rao and Nemanja Spasojevic},
journal= {arXiv preprint arXiv:1607.02501},
year = {2016}
}