典型文献
基于BERT-GCN-ResNet的文献摘要自动分类方法
文献摘要：
为了提升文献摘要自动分类性能,提高分类准确率,有效学习词与文档、文档与文档之间的关联性,本文提出一种基于BERT-GCN-ResNet的文献摘要分类方法.该方法采用转换器的双向编码器表示模型(bidirectional encoder representation from transformers,BERT)得到待分类短文本的词向量初始特征,进而构建边和节点特征;将其输入图卷积神经网络(graph convolutional networks,GCN),并在图卷积层之间加入残差网络(residual network,ResNet)模块;最后将利用图卷积层和残差网络层得到的短文本表示输出至softmax,得到最终的分类结果.将该方法在4种不同的公开文本分类数据集上进行实验,模型准确率最高达97.01％,优于基准模型.同时,在本文构建的基于短文本文献摘要的Abstext数据集上进行验证,分类准确率为96.85％,表明该模型泛化能力较好,能够提高文献自动分类的准确率.
文献关键词：
图卷积神经网络;转换器的双向编码器表示模型;残差网络;文献自动分类;预训练模型
中图分类号：
作者姓名：
郭羽;林丽媛;刘玉良
作者机构：
天津科技大学电子信息与自动化学院,天津300222
文献出处：
引用格式：
[1]郭羽;林丽媛;刘玉良-.基于BERT-GCN-ResNet的文献摘要自动分类方法)[J].天津科技大学学报,2022(02):51-56
A类：
转换器的双向编码器表示模型,Abstext
B类：
BERT,GCN,ResNet,摘要,自动分类方法,分类性能,分类准确率,有效学习,文档,bidirectional,encoder,representation,from,transformers,短文本,词向量,节点特征,图卷积神经网络,graph,convolutional,networks,卷积层,残差网络,residual,网络层,文本表示,softmax,文本分类,分类数据,模型准确率,文本文献,模型泛化,泛化能力,文献自动分类,预训练模型
AB值：
0.314777
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
