基于混合神经网络的语言文本分类方法

谷文静

（西安航空职业技术学院，陕西西安 710089）

随着互联网信息技术的发展，海量数据是其最显著的特征之一。同时，随着互联网媒体平台的建设与发展，移动互联网的日趋普及，人们逐渐喜欢通过互联网平台来发表自己的观点，这也造成了网络文本数据的激增。对这些数据进行有效的筛选和分类，有助于网络提供商对用户的喜好进行发掘。因此，对自然语言的文本数据分析已成为当前业界研究的热点[1]。

单从文本分类而言，其指的是在人为规定好的分类标准下，根据文本自身含义对文本数据进行分类的过程[2]。文本分类是搜索引擎、消息过滤等功能的重要实现部分，其应用场景比较广泛，例如消息分类、评价分类以及分析垃圾消息等。

传统的文本分类方法使用机器学习技术，这些方法对于英文自然语言通常有文本特征不明显、训练周期长、词序丢失等缺点[3]。针对以上不足，文中对Word2vec 算法与TF-IDF 算法进行融合，改进为TF-Word 算法，同时应用卷积神经网络组成混合神经网络模型实现文本分类，该方法可以有效提高传统文本分类方法对于英语语言的处理精度。

1 文本分类方法

图1 是当前文本分类的主流处理过程，分为文本预处理、文本特征提取、文本特征表示以及文本表示几大步骤，各个步骤的研究现状介绍如下。

图1 文本处理流程图

文本预处理：该步骤为文本分类前的预处理步骤，主要是对句子进行成分的分离。句子分离算法分为基于语义句法和基于统计学的方法，而随着人工智能技术的发展，目前基于机器学习的算法，例如LSTM、CRF 等，成为当前主流的算法[4]。……