全卷积神经网络的字符级文本分类方法

来源：计算机工程与应用杂志2020年第5期北京时间：

作者：张曼，夏战国，刘兵，周勇

单位：1.中国矿业大学 计算机科学与技术学院，江苏 徐州 221116；2.中国科学院 电子研究所，北京 100190

摘要：传统卷积神经网络文本分类模型全连接层参数过多易引发过拟合问题，为此，将图像分割中的全卷积思想首次引入字符级文本分类任务中，不仅避免了过拟合问题，而且通过卷积层替换全连接层减少了参数数量，从而加快了模型收敛速度。文本分类问题中单词、短语等层面的处理方式存在获取文本信息不充分的问题。使用字符级全卷积神经网络进行文本分类，充分获取文本信息，并在卷积池化层后添加局部响应归一化层（LRN），提高了模型的总体性能。通过使用多指标在测试数据集中进行模型评估，充分验证了该模型的有效性，与其他模型相比，提出的模型在二分类与多分类任务中具有更好的分类性能。

关键词：文本分类,全卷积神经网络,字符级,局部响应归一化层（LRN）,特征提取