텍스트 분류를 위한 순환 합성곱 신경망

텍스트 분류는 많은 자연어 처리(NLP) 응용 분야에서 기본적인 작업입니다. 전통적인 텍스트 분류기는 종종 사전, 지식베이스, 특수 트리 커널과 같은 많은 사람이 설계한 특징에 의존합니다. 전통적인 방법과 달리, 우리는 사람이 설계한 특징 없이 텍스트 분류를 위한 순환 합성곱 신경망을 소개합니다. 우리 모델에서는 단어 표현 학습 시 가능한 한 많은 문맥 정보를 포착하기 위해 순환 구조를 적용하며, 이는 전통적인 창 기반 신경망에 비해 훨씬 적은 노이즈를 유발할 수 있습니다. 또한 텍스트에서 핵심 구성 요소를 포착하기 위해 어떤 단어가 텍스트 분류에서 핵심 역할을 하는지 자동으로 판단하는 맥스 풀링 층을 사용합니다. 네 개의 널리 사용되는 데이터셋에서 실험을 수행했으며, 실험 결과는 제안된 방법이 특히 문서 수준 데이터셋에서 여러 데이터셋에 대해 최신 방법들보다 우수함을 보여줍니다.