Resumen

La clasificación semántica de los discursos largos chinos es una tarea importante y difícil. El texto de los discursos es de alta dimensión y escaso. Además, cuando el número de clases del conjunto de datos es grande, la distribución de los datos estará muy desequilibrada. Para resolver estos problemas, proponemos un novedoso modelo integral denominado CRAFL, que se basa en la capa convolucional con mecanismo de atención, redes neuronales recurrentes y una función de pérdida focal mejorada. En primer lugar, la red residual (ResNet) extrae las representaciones semánticas de las frases a partir de los vectores de incrustación de palabras y reduce la dimensionalidad de la matriz de entrada. A continuación, el mecanismo de atención diferencia el foco en la salida de ResNet, y la capa de memoria a corto plazo aprende las características de las secuencias. Por último, pero lo más importante, aplicamos una función de pérdida focal mejorada para mitigar el problema del desequilibrio de clases de los datos. Nuestro modelo se compara con otros modelos del estado del arte en el conjunto de datos de discurso largo, y el modelo CRAFL ha demostrado ser más eficiente para esta tarea.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:función de pérdida focal, mecanismo de atención, salida de resnet, clase de conjunto de datos, pérdida focal mejorada, discurso largo chino, conjunto de datos de discurso largo, desequilibrio de clases de datos, capa de memoria de términos, problema de datos
• Keywords:focal loss function, attention mechanism, output of resnet, class of dataset, improved focal loss, chinese long discourse, long discourse dataset, data class imbalance, terms memory layer, problem of data