摘 要：为了提升文献摘要自动分类性能，提高分类准确率，有效学习词与文档、文档与文档之间的关联性，本文提出一种基于BERT-GCN-ResNet 的文献摘要分类方法．该方法采用转换器的双向编码器表示模型(bidirectional encoder representation from transformers，BERT)得到待分类短文本的词向量初始特征，进而构建边和节点特征；将其输入图卷积神经网络(graph convolutional networks，GCN)，并在图卷积层之间加入残差网络(residual network，ResNet)模块；最后将利用图卷积层和残差网络层得到的短文本表示输出至softmax，得到最终的分类结果．将该方法在4 种不同的公开文本分类数据集上进行实验，模型准确率最高达97.01%，优于基准模型．同时，在本文构建的基于短文本文献摘要的Abstext数据集上进行验证，分类准确率为96.85%，表明该模型泛化能力较好，能够提高文献自动分类的准确率．

论文下载：

09.pdf

  浏览次数：