[发明专利]基于ResLCNN模型的短文本分类方法在审
| 申请号： | 201710609311.1 | 申请日： | 2017-07-25 |
| 公开（公告）号： | CN107562784A | 公开（公告）日： | 2018-01-09 |
| 发明（设计）人： | 王俊丽;杨亚星;王小敏 | 申请（专利权）人： | 同济大学 |
| 主分类号： | G06F17/30 | 分类号： | G06F17/30;G06N3/04 |
| 代理公司： | 上海科律专利代理事务所(特殊普通合伙)31290 | 代理人： | 叶凤 |
| 地址： | 200092 *** | 国省代码： | 上海;31 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 基于ResLCNN模型的短文本分类方法。本发明涉及文本挖掘和深度学习技术领域，特别涉及到用于短文本分类的深度学习模型。本发明的技术方案是结合长短时记忆网络和卷积神经网络的特性，搭建了用于短文本分类的ResLCNN深层文本分类模型。该模型包含三层长短时记忆网络层和一层卷积神经网络层，并借鉴残差模型理论，在第一层长短时记忆网络层与卷积神经网络层之间加入恒等映射，构建残差层，缓解了深层模型梯度消失问题。该模型有效结合长短时记忆网络获取文本序列数据的长距离依赖特征和卷积神经网络通过卷积操作获取句子局部特征的优势，提高了短文本分类效果。 | ||
| 搜索关键词： | 基于 reslcnn 模型 文本 分类 方法 | ||
【主权项】：
一种基于ResLCNN模型的短文本分类方法，其特征在于，采用多层LSTM获取文本序列的长距离依赖特征，利用CNN层通过卷积操作获取句子局部特征，有效结合LSTM和CNN从时序和空间两个层次获取特征，并借鉴残差网络理论，在第一层长短时记忆网络层与卷积神经网络层之间加入恒等映射，构建残差层，缓解了深层模型梯度消失。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于同济大学，未经同济大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201710609311.1/，转载请声明来源钻瓜专利网。
- 上一篇：信息查询方法、终端及服务器
- 下一篇：一种阅读内容整理分类方法及设备
