《表3 短文本分类算法的实验结果 (准确率) 对比》

  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

《面向文本结构的混合分层注意力网络的话题归类》

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

由隐藏层特点决定，CNN/TextCNN更适合标题特征明显的数据，Bi-LSTM/Bi-GRU更适合需要理解标题语义的数据。表3是短文本分类算法对比实验结果，通过该结果可以获知，不同短文本分类算法针对不同的数据，其准确率是不同的。本实验中，Bi-GRU和TextCNN的表现比较突出，在策略竞争机制中，起主导作用。4个基础模型的最高准确率比最低准确率分别提升了5%、12%、9%和9%。Data3原始数据的标题信息完整性相对较弱，所以对应的分类效果较差。从表3可以看出，Data1、Data2、Data3的MTC准确率微高于4个基础模型的最高准确率，Data4的MTC准确率接近于4个基础模型的最高准确率。这也体现了Bi-GRU在Data1和Data2短文本分类问题中的影响力，TextCNN在Data3和Data4短文本分类问题中的影响力。