.png){kind=icon}
返回
A parameter-free text classification method based on dual compressors
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-024-02335-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着信息时代的发展，海量文本数据的涌现使得有效的文本分类成为一个关键挑战。传统分类方法在处理异构数据、有限标注数据或领域特定数据时，往往表现不佳或产生高昂的计算成本。为应对这些挑战，本文提出了一种新颖的文本分类模型GZclassifier，旨在同时提升准确性和效率。GZclassifier采用两种不同的压缩器处理信息数据，并通过并行计算距离来促进分类。这种双压缩器方法增强了模型有效管理多样化和稀疏数据的能力。我们在多种公开数据集（包括少样本学习场景）上进行了广泛的实验评估，以评估所提方法的性能。结果表明，在分类准确率、鲁棒性和计算效率方面，我们的模型显著优于传统方法。GZclassifier处理有限标注数据和领域特定情境的能力，突显了其在实际文本分类任务中作为高效解决方案的潜力。本研究不仅推动了文本分类领域的发展，还展示了该模型在各类文本处理场景中的实际应用价值与优势。
Keyword:
Text classification
Compressor
Few-shot learning
期刊
IF:
3.1
论文数:
568
被引数:
5.2K
机构
引用论文
Text Classification Based on Convolutional Neural Networks and Word Embedding for Low-Resource Languages: Tigrinya.png)
Information
OAAI
InformationIF0
OAAI分享收藏
查看更多内容