论文部分内容阅读
近年来,我国航天事业取得了举世瞩目的成就。航天事业的快速发展离不开情报工作的支持,国外航天情报信息对于我国航天事业的发展具有重要借鉴意义。然而,传统的航天情报整理分类工作采用人工处理的方式,该方式的处理效率低下,其已无法适应当前的航天情报工作。现代化的情报工作已经形成以信息技术为中心的处理模式,该模式能够实现数据的自动化分类、规范化建模和科学化研究。因此,如何借助软件平台辅助情报信息分类、存储和分析,规范整个情报跟踪研究的工作流程,实现航天情报数据的自动化分类管理,成为当前航天情报工作面临的重要课题。本文在对航天情报领域知识管理和文本分类技术研究现状进行简要介绍的基础上,首先阐述了基于K近邻算法和基于支持向量机算法的传统文本分类技术,然后介绍了基于深度神经网络的深度学习文本分类技术,包括基于循环神经网络的文本分类技术和基于卷积神经网络的文本分类技术,最后在借鉴前人研究成果和总结不同文本分类方法优缺点的前提下,提出和设计了一种基于注意力(Attention)机制的TextRCNN-A文本分类算法,该算法的主要特点如下:(1)针对词的表征学习,本文提出了一种基于双向循环结构的卷积神经网络模型,与仅使用固定窗口的卷积神经网络模型相比,该模型能够准确捕捉上下文内容信息,也可以更好地消除单词的歧义;(2)针对文本的表征学习,本文设计了一种基于注意力(Attention)机制的池化层,该池化层能够有效减少信息丢失。注意力(Attention)机制能够合理分配上下文相关词的情感权重,并进一步提升模型的分类准确率,而且这种池化层的时间复杂度为O(n),整体模型是循环结构和池化层的级联,因此,该模型的时间复杂度仍然是O(n)。TextRCNN-A文本分类算法不仅具有循环神经网络和卷积神经网络各自的优点,还具有上下文相关词的情感权重分配合理的新特点。通过在五组公共数据集上与其它模型进行文本分类实验对比和分析,本文设计的TextRCNN-A文本分类方法在分类准确性方面与其它方法相比具有明显提升。最后将该算法应用于航天情报领域,设计并实现了基于TextRCNN-A算法的航天情报分类系统,该系统提高了航天情报文本分类的准确率,提升了航天情报工作效率,减轻了航天情报工作人员的工作量。