本文详细介绍了DOC（Deep Open Classification）方法，它使用改进的CNN处理文本分类问题，尤其关注开放领域的文本分类。作者提出用1-vs-Rest Layer替代softmax层，并为每个已知类别设置特定阈值，以识别未知类别。实验表明，在20 Newsgroups和50-class reviews数据集上，DOC模型在低训练样本比例下表现出优于其他模型的性能。
作者：徐甘霖
单位：燕山大学
概述
关于文本分类（Text Classification）及开放领域文本分类（Open-set Text Classification）的介绍，请见5月4日的文章Overcoming the challenge for text classification in the open world，里面简单介绍了文本分类（包括开放领域文本分类）的概念及常用方法，在此不再赘述。作者的主要方法是在具有m个训练类别的数据上构建一个m+1个输出结果的分类器，其中“+1”的情况代表未知类别（unknow），使用改进的CNN构建分类器，结构如下所示：
Overview
本文中的CNN通过最大池化得到一个h维的特征向量，然后经过两个全连接层及其中间的ReLU激活函数将k维的特征向量h降维得到m维的特征向量d（m是已知类别的个数），公式如下：
与传统的CNN不同的是
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
