使用序列到卷积神经网络进行抽象文本分类

我们提出了一种新的深度神经网络模型及其训练方案，用于文本分类。我们的模型——序列到卷积神经网络（Seq2CNN）由两个模块组成：序列模块负责总结输入文本，而卷积模块则接收这些文本的摘要并将其分类为相应的标签。Seq2CNN 采用端到端的方式进行训练，能够在无需将输入预处理为固定长度的情况下对不同长度的文本进行分类。此外，我们还介绍了一种逐步权重转移（GWS）方法，该方法可以稳定训练过程。GWS 被应用于我们模型的损失函数中。我们将我们的模型与基于词的 TextCNN 进行了比较，后者使用了不同的数据预处理方法进行训练。实验结果表明，我们的模型在不使用任何集成或数据增强技术的情况下，显著提高了分类准确性。