基于胶囊网络和卷积网络的文本分类对比

来源：计算机技术与发展杂志2020年第10期北京时间：

作者：胡春涛;夏玲玲*;张亮;王超;韩旭

摘要：针对 CNN 应用于文本分类任务中,存在固定大小的卷积核会限制复杂语言结构特征的提取,以及 CNN 在最大值池化时会丢失大量特征信息这两类问题,引入胶囊网络替代 CNN 提取文本特征,根据 Sabour 等人提出的动态路由算法作为胶囊网络内部的传播原理,并将其与 LSTM 连接形成融合神经网络模型,并与文本分类任务中常用的 CNN,LSTM,LSTM 连接 CNN 三个基线模型进行比较。实验结果表明,胶囊网络相较于使用卷积核的 CNN 能够不受特征检测器结构和大小的限制,更加灵活地学习文本整体与部分的内在空间关系;不仅能够检测固定的文本特征,而且能够检测特征的变体及其可能性。LSTM 连接胶囊网络的模型能有效提升文本分类的 F1值,达到 0. 932,相比其他基线模型拥有最佳性能。

关键词：文本分类;神经网络;胶囊网络;卷积网络;网络舆情