用于文本分类的均值原型网络

摘要

文本分类是自然语言处理的基本任务之一.该文在原型网络基础上,提出了按时序移动平均集成历史原型向量的均值原型网络,并将均值原型网络与循环神经网络相结合提出了一种新的文本分类模型.该模型利用单层循环神经网络学习文本的向量表示,通过均值原型网络学习文本类别的向量表示,并利用文本向量与原型向量的距离训练模型并预测文本类别.与己有的神经网络文本分类方法相比,模型在训练和预测过程中有效利用了样本间的特征相似关系,并具有网络深度浅,参数少的特点.提出的方法在多个公开的文本分类数据集上取得了最先进的分类准率.