结合BERT词嵌入和双向循环卷积神经网络的新闻文本分类研究

摘要

针对数字信息时代网络舆情爆发的复杂性及不可控性,提出一种融合BERT、TEXTRCNN、BILSTM-CRF的新闻文本分类模型,致力于提高新闻文本分类的准确率,通过采用BERT词嵌入技术高效获得句子语义特征,利用TEXTRCNN双向递归的结构以及BILSTM-CRF模型的运用来解决序列标注问题,综合考虑上下文捕捉、词嵌入、文本特征等因素,提高对新闻识别的准确性。实验证明,使用该融合模型对新闻文本分类的准确率达到0.9551,且具有较好的泛化能力,能够更好地帮助有关部门及时处理突发舆情和失控事件。