摘 要：針對(duì)傳統(tǒng)機(jī)器學(xué)習(xí)未能考慮局部信息對(duì)新聞文本分類的影響以及無(wú)法及時(shí)捕獲長(zhǎng)距離特征信息等問(wèn)題，本文提出了一種基于AI深度學(xué)習(xí)的新聞文本分類方法。為進(jìn)一步驗(yàn)證新聞文本分類效果，該方法將徑向基函數(shù)模型與多層感知層模型結(jié)合，并進(jìn)行深度學(xué)習(xí)訓(xùn)練，通過(guò)樣本標(biāo)記迭代試驗(yàn)進(jìn)行測(cè)試。結(jié)果表明，AI深度學(xué)習(xí)加快了模型訓(xùn)練過(guò)程，提升了模型在迭代過(guò)程的正確率，降低了漏報(bào)率，顯著增強(qiáng)了分類效果。

關(guān)鍵詞：AI深度學(xué)習(xí)；新聞文本分類；自然語(yǔ)言處理；詞向量

中圖分類號(hào)：TP 391 文獻(xiàn)標(biāo)志碼：A

隨著網(wǎng)絡(luò)信息大量增加，主流新聞網(wǎng)站每日需要提供海量新聞數(shù)據(jù)，這些數(shù)據(jù)為新聞網(wǎng)站帶來(lái)了很多挑戰(zhàn)。新聞文本分類能夠?qū)ξ谋具M(jìn)行快速分類，提升網(wǎng)站工作效率。新聞文本分類廣泛應(yīng)用于各領(lǐng)域，例如網(wǎng)頁(yè)分類和用戶挖掘等。經(jīng)常使用的新聞文本分類方法有2種，即傳統(tǒng)機(jī)器學(xué)習(xí)與AI深度學(xué)習(xí)。傳統(tǒng)機(jī)器學(xué)習(xí)主要通過(guò)手工提取特征輸入分類器進(jìn)行訓(xùn)練，但是通常存在提取不全和高緯度等問(wèn)題[1]，AI深度學(xué)習(xí)具有較好的分類效果，其可自動(dòng)選擇數(shù)據(jù)的標(biāo)注與訓(xùn)練順序，能夠快速完成新聞文本分類任務(wù)，解決了在迭代訓(xùn)練過(guò)程中由于標(biāo)記時(shí)間限制，因此僅能在未標(biāo)記文本數(shù)據(jù)內(nèi)選擇樣本子集標(biāo)注后作為訓(xùn)練集來(lái)訓(xùn)練的問(wèn)題[2]。鑒于此，本文提出了一種基于AI深度學(xué)習(xí)的新聞文本分類方法，旨在解決信息紊亂的問(wèn)題，能夠顯著提升模型在迭代過(guò)程中的正確率并降低漏報(bào)率。當(dāng)存在海量數(shù)據(jù)時(shí)，可以幫助用戶高效、快速完成信息定位，篩選各類場(chǎng)景下最有價(jià)值的信息，從而更高效地進(jìn)行數(shù)據(jù)分析。

1 理論研究

自然語(yǔ)言處理的快速發(fā)展提升了文本分類效率，已成為研究熱點(diǎn)。薛麗等[3]（2023） 提出了用于學(xué)術(shù)文本分類的CNN-BiGRU模型，該模型篩選文本的局部信息，但是忽略了上下文語(yǔ)義關(guān)聯(lián)性信息。楊茜[4]（2023）為了捕獲序列語(yǔ)義信息，繼續(xù)優(yōu)化長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）的網(wǎng)絡(luò)結(jié)構(gòu)，并提出了Bi-LSTM模型，該模型能夠同時(shí)用向前與向后對(duì)序列進(jìn)行掃描，但是當(dāng)單獨(dú)文本分類時(shí)僅能捕獲文本的語(yǔ)義信息，無(wú)法捕獲局部特征信息。針對(duì)這些問(wèn)題，本文提出基于AI深度學(xué)習(xí)的新聞文本分類法進(jìn)行合理、有效的分類。

2 流程設(shè)計(jì)

深度學(xué)習(xí)是對(duì)未標(biāo)記文本集內(nèi)有價(jià)值的子集進(jìn)行采樣，對(duì)其人工標(biāo)記后再展開相關(guān)訓(xùn)練的過(guò)程。該方式僅需標(biāo)記與迭代訓(xùn)練部分未標(biāo)記文本，就可以提高模型質(zhì)量，提升文本分類效果[5]。依托AI的學(xué)習(xí)方法是深度學(xué)習(xí)中的常見(jiàn)流程，本文也參考了該方法。維護(hù)未標(biāo)記文本數(shù)據(jù)集合，通過(guò)采樣函數(shù)選取集合內(nèi)需要進(jìn)行標(biāo)記或訓(xùn)練的文本數(shù)據(jù)，對(duì)其標(biāo)記后添加已標(biāo)記的文本集合作為新的訓(xùn)練集。采樣函數(shù)在該過(guò)程中發(fā)揮了重要作用，其目的是根據(jù)預(yù)測(cè)標(biāo)記概率選取最有標(biāo)記價(jià)值的一系列數(shù)據(jù)，具體流程如圖1所示。全量訓(xùn)練能夠獲得更高的精度，特別是當(dāng)進(jìn)行深度網(wǎng)絡(luò)訓(xùn)練時(shí)，因此在模型迭代訓(xùn)練過(guò)程中直接使用該方法。

3 采樣設(shè)計(jì)

3.1 貝葉斯深度采樣

貝葉斯深度采樣適用于深度網(wǎng)絡(luò)處理，在模型激活層前添加隱藏層，就可以在訓(xùn)練過(guò)程中對(duì)隱藏層權(quán)重的后驗(yàn)分布使用馬爾科夫算法得到類別概率的后驗(yàn)分布。在不同分類問(wèn)題中，使用該算法求解后驗(yàn)概率，如公式（1）所示。

P（A|B）=P（B|A）·P（A）/P（B） " "（1）

式中：P（A|B）為在B發(fā)生的情況下A出現(xiàn)的概率；P（B|A）為在A發(fā)生的情況下B出現(xiàn)的概率；P（A）為A發(fā)生的先驗(yàn)概率；P（B）為B發(fā)生的先驗(yàn)概率。這樣便可根據(jù)后驗(yàn)概率，在迭代中通過(guò)貝葉斯深度采樣從文本數(shù)據(jù)內(nèi)選擇合適數(shù)據(jù)展開訓(xùn)練，從而形成優(yōu)化后的AI深度學(xué)習(xí)法。

3.2 辨識(shí)性深度采樣

辨識(shí)性深度采樣是將AI深度學(xué)習(xí)轉(zhuǎn)化為分類任務(wù)，選擇特定文本樣本后進(jìn)行標(biāo)記，減少標(biāo)記后與未標(biāo)記的文本集差異，從中篩選具有代表性的文本訓(xùn)練集。該方法定義了二值分類問(wèn)題，擬設(shè)1個(gè)輸入空間與標(biāo)記空間，輸入空間是到標(biāo)記空間的一種映射，選取標(biāo)記標(biāo)簽與未標(biāo)記標(biāo)簽，計(jì)算特征值后經(jīng)人工處理后得到代碼如下所示。

mean_on_train=X_train.mean（axis=0）##計(jì)算特征均值

std_on_train=X_train.std（axis=0）##計(jì)算特征標(biāo)準(zhǔn)差

X_train_scald=（X_train-mean_on_train）/std_on_train##減去均值，乘以標(biāo)準(zhǔn)差的倒數(shù)

X_test_scald=（X_test-mean_on_train）/std_on_train##對(duì)測(cè)試集做同樣處理

通過(guò)數(shù)據(jù)縮放可知，由于采集前后存在一定差距，甚至出現(xiàn)過(guò)度擬合，因此可通過(guò)調(diào)整其他參數(shù)來(lái)提高采集過(guò)程的泛化性能。

4 模型設(shè)計(jì)

模型設(shè)計(jì)是AI深度學(xué)習(xí)的基礎(chǔ)環(huán)節(jié)，與采樣設(shè)計(jì)共同構(gòu)成了完善的深度學(xué)習(xí)方法。采樣設(shè)計(jì)對(duì)其匹配的模型有不同要求，例如貝葉斯深度采樣只需要模型在預(yù)測(cè)過(guò)程中輸出置信度，其他采樣方法則需要與內(nèi)含嵌入表示的網(wǎng)絡(luò)模型相契合。

當(dāng)表示新聞文本時(shí)AI深度學(xué)習(xí)模型使用雙向嵌入，同時(shí)在詞嵌入基礎(chǔ)上添加了句嵌入，在一定程度上優(yōu)化了原模型，從而更好地把握整體信息與詞句之間的關(guān)系，在各類自然語(yǔ)言處理任務(wù)中表現(xiàn)得更突出。模型的主要框架是過(guò)渡層，由數(shù)個(gè)編碼器與解碼器構(gòu)成。編碼器包括注意力機(jī)制、殘差網(wǎng)絡(luò)、前饋神經(jīng)網(wǎng)絡(luò)以及歸一處理4層構(gòu)件；解碼器在編碼器的基礎(chǔ)上添加了注意力層，由此實(shí)現(xiàn)了文本信息的解碼與序列化[6]。其中，注意力層是過(guò)渡層的內(nèi)核，其主要作用是通過(guò)計(jì)算詞句關(guān)聯(lián)性調(diào)整權(quán)重系數(shù)，體現(xiàn)詞句之間的聯(lián)系，并在該過(guò)程中反映詞匯對(duì)所在句表達(dá)的重要性。

模型設(shè)計(jì)主要包括以下3個(gè)步驟。1）序列輸入后進(jìn)入編碼器，經(jīng)線性轉(zhuǎn)換后得到表示文本字符的初始化矩陣。2）經(jīng)放縮點(diǎn)積獲得相關(guān)注意力值，據(jù)此體現(xiàn)當(dāng)模型進(jìn)行編碼時(shí)某個(gè)詞匯與所在句其他詞匯的關(guān)系。3）轉(zhuǎn)換注意力值，得到與模型輸入文本長(zhǎng)度相同的輸出量，該輸出量能夠提高語(yǔ)義效果。

5 試驗(yàn)分析

5.1 構(gòu)建數(shù)據(jù)集

為驗(yàn)證模型性能，使用爬蟲技術(shù)在20Newsgroups新聞文本數(shù)據(jù)集上進(jìn)行比較，數(shù)據(jù)集包括18 000篇新聞文章，共涉及20個(gè)話題，通常用來(lái)進(jìn)行文本分類。本次試驗(yàn)使用語(yǔ)料庫(kù)包括經(jīng)濟(jì)、娛樂(lè)、文化、房產(chǎn)、游戲、體育、時(shí)事、科學(xué)、生活和社會(huì)等類別，不同類別涵蓋的文本樣本有所差異。抽取16 000條新聞數(shù)據(jù)作為訓(xùn)練集、1 000條數(shù)據(jù)作為測(cè)試集以及1 000條數(shù)據(jù)作為驗(yàn)證集，每條新聞經(jīng)人工標(biāo)記判斷是否為所需要的新聞文本。因?yàn)锳I深度學(xué)習(xí)需要數(shù)次查詢與標(biāo)記，所以創(chuàng)設(shè)簡(jiǎn)單的自動(dòng)標(biāo)記系統(tǒng)，能夠更便捷地將采樣設(shè)計(jì)選擇的標(biāo)記文本發(fā)送至系統(tǒng)，經(jīng)人工標(biāo)記后對(duì)模型進(jìn)行相應(yīng)訓(xùn)練。

5.2 具體參數(shù)

參數(shù)為模型內(nèi)的配置變量，參數(shù)設(shè)置不同會(huì)對(duì)試驗(yàn)結(jié)果產(chǎn)生一定影響。本次試驗(yàn)中的較模型包括AI深度學(xué)習(xí)模型、徑向基函數(shù)模型和多層感知器模型等神經(jīng)網(wǎng)絡(luò)模型，具體參數(shù)設(shè)置見(jiàn)表1。通過(guò)調(diào)整，AI深度學(xué)習(xí)模型訓(xùn)練的初始設(shè)置與訓(xùn)練參數(shù)均得到了顯著優(yōu)化，在對(duì)不同模型進(jìn)行深度訓(xùn)練的過(guò)程中，應(yīng)保持新增標(biāo)記文本數(shù)據(jù)統(tǒng)一，這樣能夠比較迭代過(guò)程中的性能差異以及性能提升速率。在訓(xùn)練的過(guò)程中還引入了“預(yù)先解除”策略，當(dāng)驗(yàn)證集的正確率停止上升時(shí)應(yīng)即刻解除，避免出現(xiàn)收斂性降低、過(guò)度擬合等情況，從而使訓(xùn)練效率顯著提升。

5.3 試驗(yàn)環(huán)境

本次試驗(yàn)環(huán)境見(jiàn)表2，為避免出現(xiàn)收斂性降低和過(guò)度擬合等情況，試驗(yàn)采用“預(yù)先解除”策略，即如果多次迭代后損失值較小，那么再迭代數(shù)次后便無(wú)須優(yōu)化參數(shù)。

5.4 評(píng)價(jià)指標(biāo)

評(píng)價(jià)指標(biāo)是評(píng)價(jià)數(shù)據(jù)表現(xiàn)情況的主要標(biāo)準(zhǔn)，對(duì)新聞文本分類來(lái)說(shuō)，一般采用正確率（Accuracy）與漏報(bào)率（Missrate）2個(gè)評(píng)價(jià)指標(biāo)，該指標(biāo)經(jīng)過(guò)計(jì)算，可直觀觀察模型在新聞文本分類過(guò)程中的具體性能，因此試驗(yàn)決定采用上述指標(biāo)進(jìn)行研究。其中，正確率為不同類別正確率的均值，如公式（2）所示；漏報(bào)率為不同類別漏報(bào)率的均值，如公式（3）所示。

（2）

（3）

式中：TP為文本正樣本被正確識(shí)別的量；FP為文本負(fù)樣本被誤報(bào)的量；TN為文本負(fù)樣本被正確識(shí)別的量；FN為文本正樣本被漏報(bào)的量。正確率反映模型正確判斷整體樣本的能力，值越大，性能越好；漏報(bào)率反映模型正確預(yù)測(cè)負(fù)樣本純度的能力，值越小，性能越好。

5.5 結(jié)果分析

為體現(xiàn)設(shè)計(jì)效果，驗(yàn)證本文提出的新聞文本分類法的有效性，筆者將AI深度學(xué)習(xí)模型與多層感知器模型、徑向基函數(shù)模型進(jìn)行比較。

各模型的訓(xùn)練正確率如圖2所示，AI深度學(xué)習(xí)模型的正確率最高，當(dāng)?shù)?00次時(shí)精度達(dá)到了95.6%，遠(yuǎn)高于多層感知器模型的83.2%和徑向基函數(shù)模型的91.5%。其中，多層感知器模型的精度最低，說(shuō)明其雖然可以雙向傳輸記憶距離較遠(yuǎn)的文本信息，但是當(dāng)處理長(zhǎng)文本序列時(shí)遺忘門易丟失時(shí)間較久的序列信息，因此導(dǎo)致精度顯著降低；雖然徑向基函數(shù)模型具有提取局部特征信息的能力，但是提取上下文序列特征的能力不顯著，徑向基函數(shù)模型的正確率低于 AI 深度學(xué)習(xí)模型，當(dāng)提取整體文本時(shí)仍落后于 AI 深度學(xué)習(xí)模型。

各模型的訓(xùn)練漏報(bào)率如圖3所示，3個(gè)模型起始均存在漏報(bào)情況，但是遺漏速度存在顯著差異。由試驗(yàn)可知，AI深度學(xué)習(xí)模型不僅漏報(bào)率更低，而且數(shù)據(jù)浮動(dòng)情況較少，當(dāng)?shù)?300 次時(shí)，其漏報(bào)率為25.3%，遠(yuǎn)低于多層感知器模型的41.7%和徑向基函數(shù)模型的35.5%。

3個(gè)模型在測(cè)試集中的訓(xùn)練分類結(jié)果見(jiàn)表3。由表3可知，AI深度學(xué)習(xí)模型在新聞文本測(cè)試集的召回率達(dá)到了92%，顯著優(yōu)于徑向基函數(shù)模型與多層感知器模型，分別提升了3%與9%。AI深度學(xué)習(xí)模型的F1分?jǐn)?shù)也較為優(yōu)秀，達(dá)到了91，說(shuō)明其能夠?qū)W習(xí)更多的文本分類特征，與徑向基函數(shù)模型、多層感知器模型相比具有較大優(yōu)勢(shì)。

6 結(jié)語(yǔ)

綜上所述，文本分類是自然語(yǔ)言處理領(lǐng)域的經(jīng)典任務(wù)，本研究將AI深度學(xué)習(xí)應(yīng)用于新聞文本分類任務(wù)中。利用AI深度學(xué)習(xí)模型，以爬蟲收集的新聞文本數(shù)據(jù)信息為資料，以篩選所需新聞為目標(biāo)，驗(yàn)證了AI深度學(xué)習(xí)模型、多層感知器模型和徑向基函數(shù)模型對(duì)深度神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練效果，為新聞文本分類的深度學(xué)習(xí)提供了可操作的實(shí)踐經(jīng)驗(yàn)。試驗(yàn)結(jié)果表明，AI深度學(xué)習(xí)加快了模型訓(xùn)練過(guò)程，提升了模型在迭代過(guò)程中的正確率，降低了漏報(bào)率，顯著增強(qiáng)了分類效果，尤其是AI深度學(xué)習(xí)模型與采樣設(shè)計(jì)緊密配合，成為較好的新聞文本分類深度學(xué)習(xí)策略。在后續(xù)研究中，可通過(guò)強(qiáng)化新聞文本數(shù)據(jù)與外部知識(shí)、構(gòu)建優(yōu)秀詞向量模型和提高新聞文本特征表示等方法進(jìn)一步優(yōu)化新聞文本分類工作。

參考文獻(xiàn)

[1]胡容波，郭誠(chéng)，王錦浩，等. 基于深度學(xué)習(xí)的自然資源政策文本分類研究[J]. 高技術(shù)通訊，2023，33（7）：692-703.

[2]侯震，童惟依，鄧靖飛，等. 融合深度學(xué)習(xí)模型和上下文特征的健康話題短文本分類[J]. 電視技術(shù)，2023，47（7）：18-23，27.

[3]薛麗，鄭含笑，吳昊辰. 基于CNN-BiGRU的學(xué)術(shù)文本分類研究[J]. 鄭州航空工業(yè)管理學(xué)院學(xué)報(bào)，2023，41（3）：61-68.

[4]楊茜.基于Bi-LSTM和圖注意力網(wǎng)絡(luò)的多標(biāo)簽文本分類算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2023，40（9）：145-150，183.

[5]林子洛. 基于深度學(xué)習(xí)語(yǔ)言模型的心理學(xué)領(lǐng)域文本分類[J]. 軟件，2023，44（7）：112-118.

[6]張震.深度遷移學(xué)習(xí)在文本分類問(wèn)題中的應(yīng)用研究綜述[J]. 信息技術(shù)與信息化，2023（6）：121-124.