《表2 不同类别数的分类准确率》

  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

《融合LDA的卷积神经网络主题爬虫研究》

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

%

此外，分别随机选取了5、10、15个类别设计实验。由表2可知，通过对不同类别数的文本进行分类，传统分类器和普通的CNN文本分类模型在类别数较少、低于10类的任务中，表现良好。但随着类别数不断增加，分类的准确率随之下降，主要是由于不同类别的文本在内容上存在交叉、重合等因素以及语料本身具有噪音信息。融合了LDA的卷积神经网络文本分类模型，有效地提取了文档的主题特征，并融合到卷积之后得到的文本信息之中，在传统卷积神经网络的基础上新增了主题信息，有助于文本分类准确率的进一步提高。同时，该模型在类别数较多的情况下也能表现良好，在20个类别的期刊论文分类任务中，平均准确率约比单一提取文本特征的卷积神经网络高出6%，由此可证明融合LDA的卷积神经网络的可行性和有效性。