针对灾害求助信息辨识不准确、响应能力不足的问题,提出了基于ALBERT(a lite bidirectional encoder representation from transformers)和双向GRU(gate recurrent unit)的文本多标签分类模型。首先利用ALBERT预处理语言模型对文本信息...针对灾害求助信息辨识不准确、响应能力不足的问题,提出了基于ALBERT(a lite bidirectional encoder representation from transformers)和双向GRU(gate recurrent unit)的文本多标签分类模型。首先利用ALBERT预处理语言模型对文本信息进行编码,获取文本的动态词特征向量,并送入双向GRU神经网络进行训练,根据不同的单词赋予不同的权重,应用Attention机制进行解码。利用模拟退火算法求解最优阈值,以微平均值作为评价函数,确定样本的标签类别归属。与逻辑回归、朴素贝叶斯和长短期记忆(long-short term memory,LSTM)神经网络等模型进行比较。结果显示,多标签分类模型具有更高的准确率,达到95%,汉明损失仅到0.05,能够更好地辨别灾情求助信息,提高救援效率。展开更多
文摘针对灾害求助信息辨识不准确、响应能力不足的问题,提出了基于ALBERT(a lite bidirectional encoder representation from transformers)和双向GRU(gate recurrent unit)的文本多标签分类模型。首先利用ALBERT预处理语言模型对文本信息进行编码,获取文本的动态词特征向量,并送入双向GRU神经网络进行训练,根据不同的单词赋予不同的权重,应用Attention机制进行解码。利用模拟退火算法求解最优阈值,以微平均值作为评价函数,确定样本的标签类别归属。与逻辑回归、朴素贝叶斯和长短期记忆(long-short term memory,LSTM)神经网络等模型进行比较。结果显示,多标签分类模型具有更高的准确率,达到95%,汉明损失仅到0.05,能够更好地辨别灾情求助信息,提高救援效率。
