《表2 时间复杂度对比结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《池化和注意力相结合的新闻文本分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如表1所示，注意力池化模型在测试集上达到了83.96%的准确率，优于标准的CNN、LSTM模型以及池化模型SWEM，并且在迭代速度和迭代次数上都存在优势．CNN模型的准确率达到了74.97%，效果不如SWEM和注意力池化模型，是由于对于长文本来说，CNN能提取出局部特征，但是不能注意到整个文本中最重要的部分，CNN分类的MacroF1值最高，证明其在各个类别上的准确率较好．LSTM在测试集上达到了72.53%的准确率，虽然LSTM能兼顾上文的信息，但是由于新闻文本的长度较长，LSTM中遗忘门会丢弃过长之前的文本特征，LSTM中的记忆门只会记住一段长度前的信息，导致在过长的文本处理中，正确率反而会有所下降．模型速度对比结果如表2所示．