面向新闻文本分类的注意力引导特征融合（AGFF）模型
计算与语言
2025-11-24 v1 人工智能
摘要
新闻文本分类是自然语言处理中的关键任务，对于组织和过滤海量数字内容至关重要。传统方法通常依赖于诸如词频或TF-IDF值等统计特征，这些特征在捕获词汇重要性方面有效，但往往难以反映语境含义。相比之下，现代深度学习方法利用语义特征来理解词汇在语境中的用法，但可能忽略简单且高影响力的统计指标。本文提出一种注意力引导特征融合（AGFF）模型，将统计特征和语义特征在统一框架中进行整合。该模型应用注意力机制，动态确定每种特征类型的相对重要性，从而实现更有信息量的分类决策。在基准新闻数据集上进行评估，AGFF模型在性能上优于传统统计模型和纯粹语义深度学习模型。结果表明，战略性地整合多样化特征类型可显著提升分类准确率。此外，消融研究验证了融合过程中每个组件的贡献。我们的发现突显了该模型在平衡和利用统计与语义表征互补优势方面的能力，使其成为实际且有效的解决新闻分类任务的方案。
引用
@article{arxiv.2511.17184,
title = {Attention-Guided Feature Fusion (AGFF) Model for Integrating Statistical and Semantic Features in News Text Classification},
author = {Mohammad Zare},
journal= {arXiv preprint arXiv:2511.17184},
year = {2025}
}