基于LSTM-Attention的农业短文本信息分类研究

摘要

农业短文本中包含词数较少,导致语义获取不充分和分类效果下降.利用Attention机制加强关键词在分类时的权重,并结合BiLSTM设计LSTM-Attention模型.对30000份原始数据经过中文分词、句法分析、文本向量化后,将LSTM-Attention模型训练成一个LSTM-Attention分类器,解决分类器对待分类文本数据敏感的问题.利用30000份标准数据和加30％干扰信息的复杂数据测试分类器分类效果,结果表明,LSTM-At?tention模型分类正确率达98.59％,比传统LSTM模型高3.72％,比BiLSTM模型高1.61％,说明使用BiLSTM结合Attention机制能够有效提升农业短文本分类效果.利用不同测试数据对LSTM-Attention分类器测试发现,LSTM-Attention分类器具有良好收敛性,其分类效果不依赖于分类数据特征,分类效果稳定性佳.