ارائه يك شبكه عصبي عميق مبتني بر كانولوشن براي طبقه بندي متون

طبقه بندي متون يكي از مهمترين جنبه هاي علمي در زيرشاخه پردازش زبان طبيعي مي باشد. هنگام طبقه بندي معمولا كلاس هدف يا طبقه مورد نظر شناخته شده است و هدف طبقه بندي، پيش بيني دقيق كلاس هدف براي هر داده مي باشد. با پيشرفت و توسعه تكنولوژي يكي از نوين ترين راهكارها كه براي طبقه بندي متن بكار مي رود استفاده از يادگيري عميق است. در اين مقاله يك شبكه عميق مبتني بر كانولوشن جهت طبقه بندي متون ارائه شده است. استفاده از كانولوشن روي داده هاي متني نياز به پيش پردازش و تبديل متن به فضاي برداري دارد. در اين پژوهش داده هاي متني با استفاده از ساختار Word Embedding به فضاي برداري تبديل شده اند. براي ارزيابي كارايي مدل پيشنهادي، ما 8 مدل مختلف يادگيري عميق مانند LSTM، RNN، GRU و غيره را پياده سازي و آن ها را بر روي 5 مجموعه داده متني شامل 3 مجموعه داده خبري و 2 مجموعه داده Sentiment تست كرديم. نتايج تجربي نشان مي‌دهند كه مدل پيشنهادي قادر به رقابت با ساير مدل هاي پياده سازي شده است و در اكثر موارد كارايي آن بهتر از ساير مدل ها است.