卷积特征的序列学习用于高效文本分类
计算与语言
2019-09-16 v2
摘要
文本分类一直是自然语言处理中的主要问题之一。随着深度学习的出现，卷积神经网络（CNN）已成为该任务的流行解决方案。然而，最初针对图像提出的 CNN 在文本处理语境中面临许多关键挑战，即在其基本模块：卷积滤波器和最大池化方面。这些挑战在很大程度上被现有大多数针对文本分类提出的 CNN 模型所忽视。本文中，我们对 CNN 在文本分类中的基本模块进行实验研究。基于此批判，我们提出序列卷积注意力循环网络（SCARN）。与先前提出的循环卷积模型相比，所提出的 SCARN 模型有效利用了循环与卷积结构的优势。我们在情感分析和问题分类等不同任务上的文本分类数据集上测试了我们的模型。大量实验证实 SCARN 以显著更少的参数优于其他循环卷积架构。此外，SCARN 相较于同等规模的各类深度 CNN 和 LSTM 架构取得了更好的性能。
引用
@article{arxiv.1909.00080,
title = {Sequential Learning of Convolutional Features for Effective Text Classification},
author = {Avinash Madasu and Vijjini Anvesh Rao},
journal= {arXiv preprint arXiv:1909.00080},
year = {2019}
}
备注
Accepted Long Paper at EMNLP-IJCNLP 2019, Hong Kong, China