基于 CNN 与最大池化的可解释文本分类
计算与语言
2019-10-25 v1
摘要
深度神经网络已被广泛用于文本分类。然而，由于其机制复杂，神经网络模型难以解释。本文研究一种基于卷积操作与最大池化层的典型文本分类模型变体的可解释性。我们提出卷积归因与 n-gram 特征分析两种机制来分析 CNN 模型的处理过程。该模型的可解释性体现为对神经网络预测提供后验解释。此外，提出一种多句子策略，使模型能够应用于多句子场景而不损失性能与可解释性。我们在多个分类任务上评估了模型性能，并通过若干案例研究验证了可解释性能。
引用
@article{arxiv.1910.11236,
title = {Interpretable Text Classification Using CNN and Max-pooling},
author = {Hao Cheng and Xiaoqing Yang and Zang Li and Yanghua Xiao and Yucheng Lin},
journal= {arXiv preprint arXiv:1910.11236},
year = {2019}
}