[1]杨 帆,陈建峡,郑吟秋,等.基于深度学习的法院信息文本分类[J].湖北工业大学学报,2019,34(4):63-67.
　YANG Fan,CHEN Jianxia,ZHENG Yingqiu,et al.Research on Classification of Court Information Texts Based on Deep Learning[J].,2019,34(4):63-67.
点击复制

基于深度学习的法院信息文本分类()
分享到：

《湖北工业大学学报》[ISSN:1003-4684/CN:42-1752/Z]

卷:
34卷
期数:
2019年第4期
页码:
63-67
栏目:
湖北工业大学学报
出版日期:
2019-08-30

文章信息/Info

Title:
Research on Classification of Court Information Texts Based on Deep Learning
文章编号:
1003-4684(2019)04-0063-05
作者:
杨 帆; 陈建峡; 郑吟秋; 黄煜俊; 李 超
湖北工业大学计算机学院, 湖北 武汉 430068
Author(s):
YANG Fan;  CHEN Jianxia;  ZHENG Yingqiu;  HUANG Yujun;  LI Chao
School of Computer Science, Hubei Univ. of Tech., Wuhan 430068, China
关键词:
法院信息文本;  卷积神经网络;  字符级;  深度学习;  文本分类
Keywords:
court information text;  convolutional neural network;  text classification;  character level;  deep learning
分类号:
TP183
文献标志码:
A
摘要:
为解决在法院数据信息化过程中,海量的法院文书存在缺乏自动管理分类的问题,提出一种基于字符级卷积神经网络的文本分类模型。模型通过卷积神经网络进行特征提取,能够精确有效地解决文本分类问题。实验结果证明,该模型可以实现在测试集上准确率99.67%的分类,且训练用时只有常用循环神经网络算法的50%。
Abstract:
In the process of court data informatization, there is a lack of automatic management classification in massive court documents. This paper proposes a text classification model based on character-level convolutional neural network, which can effectively solve the problem. The model extracts features through convolutional neural networks, which can classify texts efficiently and accurately. Experiments show that the model can achieve an accuracy rate 99.67% of classification on the test set, and the training time is only 50% of the commonly used Recurrent Neural Networks.

参考文献/References:

[1] 吴军.数学之美[M].北京:人民邮电出版社,2014:10-25.
[2] 杨杰明. 文本分类中文本表示模型和特征选择算法研究[D].长春:吉林大学,2013.
[3] 吴禀雅,魏苗.从深度学习回顾自然语言处理词嵌入方法[J].电脑知识与技术,2016,12(36):184-185.
[4] 周练.Word2vec的工作原理及应用探究[J].科技情报开发与经济,2015,25(2):145-148.
[5] Mikolov T, Sutskever I, Chen K, et al. Distributed representations of words and phrases and their compositionality[J]. neural information processing systems, 2013: 3111-3119.
[6] 闫琰.基于深度学习的文本表示与分类方法研究[D].北京:北京科技大学,2016.
[7] 尹宝才,王文通,王立春.深度学习研究综述[J].北京工业大学学报,2015,41(1):48-59.
[8] 陈翠平. 基于深度信念网络的文本分类算法[J]. 计算机系统应用, 2015, 24(2): 121-126.
[9] 张春云, 秦鹏达, 尹义龙. 基于卷积神经网络的自适应权重 multi-gram 语句建模系统[J]. 计算机科学, 2017, 44(1): 60-64.
[10] 赵志宏, 杨绍普, 马增强. 基于卷积神经网络LeNet-5的车牌字符识别研究[J]. 系统仿真学报, 2010, 22(3):638-641.
[11] 奚雪峰,周国栋.面向自然语言处理的深度学习研究[J].自动化学报,2016,42(10):1445-1465.
[12] Greff K, Srivastava R K, Koutnik J, et al. LSTM: A search space odyssey[J]. IEEE Transactions on Neural Networks & Learning Systems, 2016, 28(10):2222-2232.
[13] 王红, 史金钏, 张志伟. 基于注意力机制的 LSTM 的语义关系抽取[J]. 计算机应用研究, 2018(5):1417-1420.
[14] Kim Y. Convolutional neural networks for sentence classification[J]. empirical methods in natural language processing, 2014: 1746-1751.
[15] Kim Y, Jernite Y, Sontag D, et al. Character-aware neural language models[J]. national conference on artificial intelligence, 2016: 2741-2749.
[16] 刘敬学,孟凡荣,周勇,等.字符级卷积神经网络短文本分类算法[J].计算机工程与应用,2019,55(5):135-142.
[17] Wang J, Wang Z, Zhang D, et al. Combining knowledge with deep convolutional neural networks for short text classification[C]. international joint conference on artificial intelligence.Melbourne, Australia, 2017: 2915-2921.

相似文献/References:

[1]张明瑞,罗 靖,陈云帆,等. 一种新的卷积神经网络房颤检测方法[J].湖北工业大学学报,2022,(4):19.
　ZHANG Mingrui,LUO Jing,CHEN Yunfan,et al. A Novel Detection Method of Atrial Fibrillation Based on Convolutional Neural Network[J].,2022,(4):19.
[2]顿伟超,王淑青,张鹏飞,等. 基于改进YOLOv4的电力高空作业安全带检测[J].湖北工业大学学报,2022,(5):6.
　DUN Weichao,WANG Shuqing,ZHANG Pengfei,et al. Safety Belt Detection Algorithm for Electric Aerial Work Based on Improved YOLOv4[J].,2022,(4):6.

备注/Memo

备注/Memo:
[收稿日期] 2019-03-21
[基金项目] 湖北省科技厅自然科学基金青年面上项目(2017CFB326)
[第一作者] 杨 帆(1994-), 女,河南三门峡人,湖北工业大学硕士研究生,研究方向为机器学习,自然语言处理
[通信作者] 陈建峡(1971-),女,湖北武汉人,工学硕士,湖北工业大学副教授,研究方向为机器学习,自然语言处理
更新日期/Last Update: 2019-08-25