點擊上方藍字關注我們

適用于特殊類型自然語言分類的自適應特征譜神經網絡

王一峰,?孫麗茹,?崔良樂,?趙毅

哈爾濱工業大學（深圳）理學院，廣東 深圳 518055

??

摘要：計算機算力的提升使得深度學習算法迅速發展，然而由于古詩文特殊的語序、用詞、結構、句式、文法結構、表達方式，深度學習模型需要消耗更多的算力進行特征提取等工作，因此并未在這一領域取得廣泛的應用。為此，提出了一種新型的神經網絡結構——自適應特征譜神經網絡。該算法有效減少了運算時間，可以自適應地選擇對分類最有用的特征，形成最高效的特征譜，得到的分類結果具有一定的可解釋性，而且由于其運行速度快、內存占用小，因此非常適用于學習輔助軟件等方面。以此算法為基礎，開發了相應的個性化學習平臺。該算法使古詩文分類的準確率由93.84%提升到了99%。

關鍵詞：自適應特征譜?;?神經網絡?;?文本分類?;?古詩詞?;?拉普拉斯矩陣

論文引用格式：

王一峰,?孫麗茹, 等.適用于特殊類型自然語言分類的自適應特征譜神經網絡[J].大數據, 2020, 6(4):92-104.

WANG Y F, SUN L R, et al.Adaptive feature spectrum neural networks for special types of natural language classification[J].Big Data Research, 2020, 6(4):92-104.

1 引言

文本分類問題是自然語言處理領域一個十分常見的問題，文本分類應用非常廣泛，例如輿情分析、影評分析、新聞情感分析、新聞內容分類、垃圾郵件過濾、敏感信息自動屏蔽、社交軟件交流中對某句話的情感趨勢分析，以及購物網站中的“好評度”評估。總而言之，語言本身是一種人類智慧的體現，而文本作為語言的載體，蘊含著大量的信息和規律，因此讓計算機掌握這種規律并進行模式識別和分類是一項對算法的巨大挑戰。而古詩文作為一種特殊的語言形式，其表達方式與現代語言相比更加隱晦、精練，與白話文相比分類難度更高，因此本文選擇古詩文分類問題作為文本分類的切入點，以便提出更優的文本分類算法。

文本分類算法是自然語言處理中很重要的一類算法，在20世紀50年代就已經有科學家借助“專家系統”對文本進行分類，然而該方法可覆蓋的范圍以及分類準確率都非常有限，只能用于解決一些條件明確、描述清晰且有條理的文本分類問題。隨著統計學方法的發展，特別是20世紀90年代后互聯網在線文本數量的增長和機器學習學科的興起，逐漸形成了一套解決大規模文本分類問題的經典方法，其主要流程是“人工特征工程+分類器”，即把整個文本分類問題拆分成特征工程和分類器兩部分。對于不同類型的文本，特征選取方法是不同的，分類器的設計也是不同的，例如：采用Apriori算法對同時出現在語句中的特征項進行篩選，進而實現分類；基于遺傳算法對詩文特征項進行選取，接著利用樸素貝葉斯模型進行分類；通過均值漂移、譜聚類、k-means等聚類算法選取特征，隨后采用支持向量機、距離加權最近鄰、貝葉斯模型等分類器進行分類。其中，使用聚類算法尋找特征，隨后采用加權最近鄰分類器的方法是目前對中國古詩文分類準確率最高的一種方法，平均準確率可以達到93.84%，其中，針對某一特定類型古詩詞文本的分類準確率最高可以達到96.67%。

然而這些分類方法存在幾個主要缺點。首先，現有的古詩文本分類算法的性能依賴于初始特征庫的選取，以專家選取的特征庫為基礎進行特征聚類、文本分類的性能遠好于以普通人選取的特征庫為基礎的性能。除此之外，找特征的過程與分類的過程往往是分離的，這會導致一些被選取的特征對分類任務作用不大，應考慮將古詩文分類的結果直接反饋到找特征的過程，進而幫助找到更好的分類特征。這些缺陷最終導致在面對不同類型的文本，尤其是面對語言委婉、內容寫意、抒情的文本時，難以設計出效果良好的分類器。因此本文設計了自適應特征譜神經網絡來完成文本分類任務，它可以自適應地選擇對分類有效的特征，并組成“最優特征譜”。

2 數據預處理

在機器學習算法中，輸入的數據通常是數值型的，因此需要將文字型文本特征轉換為數值型數據特征，將輸入模型的文本變成向量，從而確保模型可以進行計算和分類。

具體操作是用高頻詞組成特征庫，再將特征庫中的詞用向量表示。首先，使用Sunday算法查找古詩文中出現頻率較高的字詞，組成“特征庫”。使用Sunday算法的好處是在字符串匹配時可以大幅減少運算時間。Sunday算法查找原理如圖1所示。

圖1???Sunday算法查找原理

任務是判斷文本串“枯藤老樹昏鴉，小橋流水人家，古道西風瘦馬。”中是否包含模式串“小橋流水”。從左端開始，比較模式串的第一位，如果匹配，則依次向下比較；若不匹配，則比較文本串中下一字符是否出現在模式串中（本例中“昏”并未出現在模式串“小橋流水”中），因此直接向右平移m+1個單位（m為模式串長度）。重復上述過程，若發現文本串的下一字符出現在模式串中：本例中“流”出現在“小橋流水”中，這時直接將兩個“流”對齊，再逐位比較，最終發現匹配成功。

由于古詩文中單音節詞占多數，且文法注重典故、駢驪對仗、音律工整，因此在內容表達上就會有一些犧牲。此外，一些在現代文中并不多見的特征詞（如“金樽”“澗戶”“左遷”等）在古詩文中卻并不罕見，現代文的分詞方法有時很難將其準確分開，因此在借助Sunday算法進行詞頻統計的基礎上，還需要進行一些人工的篩選，這也是本文的一項重要工作。

在得到由高頻字詞組成的特征庫后，要進行更精細化的篩選。目標是將輸入的古詩文分成4類，因此特征詞的選擇標準應與該特征詞對4種類型古詩文本的區分表示度相關。有些字詞雖然出現頻率高，但對于分類而言用處不大。按照愛情、憂國憂民、山水田園、哲理詩的順序，從4類詩中各選取一句話：“愿得一心人，白頭不相離”“秦時明月漢時關，萬里長征人未還”“澗戶寂無人，紛紛開且落”“人生得意須盡歡，莫使金樽空對月”。若直接將文本的出現頻次作為文本分類的特征輸入，會發現4類詩中均出現了“人”字，而“月”字則出現了兩次。“人”和“月”看起來似乎是很重要的兩個特征，但事實上，這兩個詞是比較常見的、不具備區分能力的詞，很多詩篇會用到，因此不能單純地選取文本的詞頻來反映詩的特征，而諸如“白頭”“長征”“澗戶”“金樽”等僅出現一次的詞反而更能反映其類別特征。因此，使用詞頻-逆文本頻率（term frequency–inverse document frequency，TF-IDF）方法對其進行向量表示。

設愛情類、山水田園類、憂國憂民類、哲理類古詩分別對應類別1、類別2、類別3、類別4，每種類別下對應的篇數分別為N₁、N₂、N₃、N₄，第i類下第j篇古詩文包含的漢字總數目為n_i,j，特征詞t在該篇詩文中出現次數為n_t,i,j（i=1,2,3,4，j=1,2,…,N_i），則特征詞t在第i類文本中的詞頻TF_t,i為：

TF_t,i表示特征詞t在第i類文本中的出現率，同時也是對詞數的歸一化，以避免其偏向更長的文本文件。逆文本頻率（IDF）是對某個特征詞的“普遍重要性”的度量。設所有文本中包含特征詞t的篇數為DF_t，所有文本數量為N=N₁+N₂+N₃+N₄，則特征詞t的IDF_t為：

因此，特征項t的表示一個1×4的向量：

篩選標準是向量的標準差：

較大的特征詞對特定類型的古詩文有更強的表示能力。該做法的主要思想是：如果一個詞在某一類文本中出現頻率很高，而在所有文本中出現頻率卻不高，那么該詞對于這類文本就具有很強的代表性和區分度，反之亦然。因此可以過濾一些常見的詞語，保留重要的詞語，從而實現特征詞的精細化提取。

下一步需要將最終篩選出的特征詞進行向量化表示。現有的古詩文本分類研究多采用TF-IDF方法進行特征詞的向量化表示，并且取得了90%以上的準確率。詞嵌入（word embedding）表示被提出后，文本分類問題逐漸向基于詞嵌入表示或詞向量的方法展開研究，如之前基于卷積神經網絡（convolutional neural network， CNN）的文本分類方法以及近期基于Transformer的文本分類方法。本文對以下兩類方法進行了融合，TF-IDF表示方法具有更強的可解釋性，并且在古詩文分類領域使用時間較長，而詞嵌入表示方法則在近年來被廣泛應用于自然語言處理領域，借助深度學習模型強大的性能，其表示效果得到了廣泛的認可。

借助古文、白話文識別任務來完成特征詞嵌入表示。與古詩詞主題分類不同，古文、白話文識別任務的數據集更加方便易得，且標簽也更易標注。采用連續詞袋（continuous bag-of-words，CBOW）模型將特征詞轉化為1×10 0的向量，并取其中的5個維度進行可視化，如圖2所示。

圖2???基于CBOW模型的古詩文特征詞向量可視化

從圖2可以看到，位置相近、大小相近、顏色相近的特征詞具有更加相近的含義。設由CBOW模型得到的特征詞t的詞向量為，則特征詞t的最終表示向量為：

其中，為向量的標準差。最終得到的詞向量不僅包含特征詞的語義信息，同時也包含該特征詞對分類任務的重要度評價，在自然語言處理領域的很多研究中，有將詞頻-逆文本頻率信息作為權重進而構造詞典的范例。因此將結合了TF-IDF方法與CBOW方法得到的詞向量作為最終的特征詞表示結果。

3 自適應特征譜神經網絡的構造

由于古文的句式、格式、表達方式都有別于現代文，且單音節詞占多數，一篇古文包含的特征詞數量繁多，如果使用傳統的神經網絡模型進行分類，計算規模將非常龐大。為了使算法可以更方便地搭載于手機、學習機等終端設備之上，進而使得基于該算法的軟件成為廣泛的學習平臺，除了分類準確率之外，對內存占用、運行速度也有一定的要求。同時，為了滿足教育大數據、輔助學習軟件的需要，應在一定程度上對最終的分類結果進行解釋，或者對特征選擇進行一定程度的可視化。因此，筆者設計了自適應特征譜神經網絡，它可以對眾多特征詞進行篩選，自適應地形成對分類最有意義的特征譜，而后只需在輸入的古詩文中進行檢索，將特征譜中對應的特征詞提取出來，并乘以對應權重，然后將結果輸入后續神經網絡，即可得到分類結果。

特征是對數據內在規律的反映，而對特征之間相互關系的理解與升華則是文本大數據語義理解的重要手段。本文提出的自適應特征譜神經網絡將特征詞之間的相互關系融合在拉普拉斯矩陣中。拉普拉斯矩陣是一種圖的矩陣表示形式，描述了圖中各節點之間的關系。文本分類任務一般是通過對不同特征的相互耦合來完成的，因此，對特征與特征之間關系的描述正是其所需要的。下面將拉普拉斯矩陣的一部分作為神經網絡的輸入層。

為了得到拉普拉斯矩陣L，首先需要計算各特征項的相似度矩陣A，其中A_i,j?=cos(t_?i,t_?j)，這里采用余弦相似度來表征特征項t_i和特征項t_j的相似度。進而可以構建對角矩陣D，其中對角元素D_ii為：

則拉普拉斯矩陣L可表示為：

由于拉普拉斯矩陣是對稱矩陣，因此只需將其上三角部分取出作為拉普拉斯層即可。

接下來構造自適應特征譜神網絡的核心結構——自適應特征譜層。它由拉普拉斯層經過全連接網絡（全連接網絡就是層與層之間的計算過程，即把前一層與后一層的節點全部相連）得到。整體的網絡結構如圖3所示。

圖3展示了自適應特征譜神經網絡的訓練過程。首先，拉普拉斯層記載著特征項之間的 全部關系，后接一個全連接網絡，旨在輸出最優的特征譜，后續的神經網絡結構將以該特征譜為基礎完成文本分類任務。設特征庫中有n個特征項，這里設定在特征譜中只保留m個特征項（m<n），使得神經網絡留下對分類最有用的特征。如果前期負責生成特征譜的網絡工作效果不佳，將導致后續文本分類效果不佳，因此對誤差函數做反向傳播（back propagation，BP），既調整了分類網絡，也調整了特征生成網絡。這就解決了前文提到的分類器與特征選擇工作分離而導致效率不高的問題，因此稱之為“自適應特征譜”。為了緩解訓練過程中的過擬合問題，在該全連接網絡中進行了Dropout操作，以減少特征檢測器（神經元節點）間的相互作用，達到正則化的效果，本文將Dropout比率設置為0.5。

圖3???自適應特征譜神經網絡結構

此外，特征譜層還減小了特征數量，降低了對算力的損耗。因此本文提出的自適應特征譜神經網絡算法適合處理復雜的文本分類問題，即使輸入海量的數據，運算量也不會過大，這是因為要求特征譜層只能保留一定量的、對分類最有用的特征，對分類最有用的特征并非像傳統方法那樣由人為因素決定，而是完全通過大量數據自主訓練得到的。自適應特征譜神經網絡算法的分類準確率會隨著輸入特征的增多而提高。

完成神經網絡的訓練后，得到了現階段對分類最有意義的特征譜，被稱為“最優特征譜”。由于拉普拉斯層與自適應特征譜層之間的網絡結構已經完成了根據分類任務篩選特征、給出相應權重的任務，因此在測試或應用時，只保留最優特征譜及后續的輸入層、隱藏層、輸出層結構，這大大縮短了實際應用時的響應時間。以最優特征譜為基礎，對每篇古詩文對應的表示向量做如下操作：用Sunday算法在輸入文本中搜索最終保留的m個特征詞，假設檢索到了k個特征詞（k≤m），則對這k個特征詞對應的特征譜中的數值進行歸一化，之后分別乘以這k個特征詞的詞向量，最終再對這k個詞向量求和。這種方法的本質是以k個特征詞在最優特征譜中對應的數值為基礎，對其對應的詞向量進行加權平均，最終得到可以表示輸入文本的文本向量。借助這種方法，該模型的輸入維度始終可以保持為詞向量的維度，運行速度、內存占用并不會隨著輸入文本長度的增加而發生明顯變化。

4 實驗結果與改進空間

本文所用的古詩文數據均來自“古詩文網”，該網站將所有古詩都進行了分類，本文將該網站對古詩的分類類別作為每首古詩對應的標簽，并輸入本文設計的自適應特征譜神經網絡進行訓練，得到最終的結果。

為了驗證本文提出的自適應特征譜神經網絡算法的準確率，進行了兩次對比實驗，使用的是目前對古詩文本分類準確率很高的兩種方法：基于譜聚類算法的特征聚類+加權最近鄰分類器；基于k-means算法的特征聚類+加權最近鄰分類器。兩種方法都以預先選定的特征庫為基礎，對其中的特征項進行聚類分析。其出發點在于每個特征對每一類型文本的表示能力不同，例如：出現“鴛”字的文本有較大概率是以愛情為主題的；“田”“園”等字則對山水田園類文本區分度較高；“燭”字對愛情類、哲理類文本都有不錯的表示度。將不同特征詞對不同類型文本的表示能力可視化，愛情類、山水田園類文本的表示能力可視化分別如圖4、圖5所示。

圖4???不同特征詞對愛情類文本的表示能力可視化

圖5???不同特征詞對山水田園類文本的表示能力可視化

圖6表示同時將400個特征詞對4個維度的信息進行了可視化：愛情類為豎軸，山水田園類為橫軸，在坐標軸上的投影值越大表示對該類型文本的表示能力越強；圓圈的大小表示該特征詞對憂國憂民類古詩文本的表示能力，顏色深淺表示該特征詞對哲理類古詩文本的表示能力。

圖6???400個特征詞對4個類型文本的表示能力可視化總覽

兩種聚類算法都是根據每個特征項對不同類別文本表示能力的強弱，將特征項分為4類，再將聚類結果交給后續的分類器，使用加權最近鄰算法完成對文本的分類。

不同聚類算法的聚類結果是不同的，圖7、圖8分別為k-means算法聚類結果中的憂國憂民類、愛情類文本特征，圖9、圖10分別為譜聚類算法聚類結果中的哲理類、山水田園類文本特征。

圖7 ? k-means算法聚類結果：憂國憂民類文本特征

圖8 ? k-means算法聚類結果：愛情類文本特征

圖9 ??譜聚類算法聚類結果：哲理類文本特征

圖10???譜聚類算法聚類結果：山水田園類文本特征

從聚類算法得到的結果可以看出，不同類別的特征詞基本是符合常識的，但仍然有許多字是“模棱兩可”的。而且聚類一旦完成，其結果無法根據后續分類器的表現隨時進行修改和調整，這是此類算法的弊病。而本文提出的自適應特征譜神經網絡則能夠消除類似的“斷層”現象，特征譜結構隨時服務于分類器結構，并在訓練的過程中不斷更新，結果自然更加理想。

將1 500篇古詩文作為訓練集，將500篇古詩文作為測試集（每類125篇），分別使用譜聚類算法+加權最近鄰分類器、k-means算法+加權最近鄰分類器、普通的含有兩層隱藏層的反向傳播神經網絡和本文提出的自適應特征譜神經網絡4種算法對4類古詩文本進行分類測試，得到的結果見表1。

哲理類詩文相比其他類型更難分類，而且它們覆蓋的范圍本身也有交疊。例如，很多田園歸隱詩本身就有看破世事、論述自己的人生思考、抒發哲理的部分在內，因此哲理類古詩文的分類準確率一般低于其他3種類型。

從表1可以看到，BP神經網絡對古詩文本的分類準確率明顯高于各種聚類算法+傳統分類器的組合，而本文提出的自適應特征譜神經網絡可以使分類準確率上升到99%，在某些特定類別上甚至可以達到不出錯的程度（當然，這和本文測試集數量太少有關，這也是未來改進的方向）。

5 性能分析及應用

本文提出的自適應特征譜神經網絡的性能優勢在于它可以自適應地選擇最有助于分類任務的特征詞。通過特征詞向量構建的拉普拉斯層記錄不同特征詞之間的相互關系，而后邊的全連接網絡則是對這種特征詞之間相互關系的整合。該網絡結構對不同輸入文本的文字組合，賦予的特征詞權重各不相同，特征詞將以該權重為基礎，參與下一階段的運算，最終得到該文本的主題分類結果。當分類錯誤時，誤差會通過整體的網絡結構進行反向傳播，并追溯到此前賦予特征詞的權重，而這些特征詞的權重以及網絡結構中的其他參數則會通過梯度下降算法進行更新，并參與下一個循環的計算。神經網絡模型就是以此來完成對特征詞權重的學習的，該學習過程是一種“自適應”的調整過程。

在完成大量的迭代計算之后，自適應特征譜神經網絡得到了充分的訓練。訓練完成的自適應特征譜神經網絡會對不同的輸入文本提取不同的特征詞，并為其分配不同的權重。以古詩文《孔雀東南飛》為例，自適應特征譜神經網絡根據不同文字的組合方式，對文中有助于主題分類的特征詞進行提取，并為其分配了適當的權重，該權重經過后續網絡結構的運算即可得到最終的分類結果。按照文本中不同特征詞權重的數值，生成《孔雀東南飛》的專屬特征詞詞云圖，如圖11所示。特征詞在詞云圖中的大小與其被自適應特征譜神經網絡賦予的權重成正比。

從圖11可以看出，自適應特征譜神經網絡為《孔雀東南飛》中的“姻”“緣”“情”“相”“望”等字賦予了較大的權重，這些特征詞與“愛情”的聯系確實較為密切，符合人們的日常認知。然而同樣和“愛情”關系密切的“妻”“女”“君”“愁”“怨”“淚”“嫁”等字則未被賦予太大的權重，這說明自適應特征譜神經網絡認為這些字在文中的出現形式和組合方式對“愛情”這一主題的代表性不強，或者這些字的出現方式與家國類、哲理類等其他類型的古詩文類似，因此只被賦予了中等大小的權重。而諸如“安”“山”“水”等字，自適應特征譜神經網絡認為其與“愛情”并無明顯關系，因此對其賦予的權重極小，這也與人們的日常認知相符。由此可見，自適應特征譜神經網絡確實可以自適應地提取有助于分類的特征。

圖11???《孔雀東南飛》特征詞詞云圖

自適應地提取特征可以避免在分類時局限于固定的特征詞，它可以根據文本中不同文字之間的組合關系進行適當的調整，即使對于同一類型的古詩文，特征詞的選取也有很大的分別。本文在愛情類、哲理類、山水田園類3類古詩文中各選取了4篇，并根據自適應特征譜神經網絡給出的特征詞權重分別繪制了詞云圖，如圖12所示。這12個詞云圖分別由3個類別的12首不同的古詩詞生成，從這12個詞云圖可以看出，對于不同的古詩詞文本來說，自適應特征譜神經網絡關注的特征詞也并不相同，即使對于同一類型的古詩文，自適應特征譜神經網絡給出的特征詞權重也各不相同。除此之外，由于自適應特征譜神經網絡提取特征的能力是在數據集中訓練獲得的，因此隨著數據量和算力的增長，自適應特征譜神經網絡對特征的提取能力以及對文本的分類能力也會顯著提升。

圖12???自適應特征譜神經網絡對不同古詩文本提取特征詞所生成的詞云圖

目前，筆者已經以自適應特征譜神經網絡算法為基礎，與相關科技公司合作，開發了一款古詩文主題分類App，如圖13所示。當用戶在文本框中輸入古詩文內容后，下方會顯示該古詩文所屬不同類別的概率柱狀圖，同時會輸出一張由自適應特征譜神經網絡給出的特征詞權重所生成的詞云圖作為分類依據。由此可見，該算法具有一定的創新性，并且在市場上具有廣闊的應用前景。

圖13???基于自適應特征譜神經網絡開發的古詩文主題分類App

6 結束語

本文提出的自適應特征譜神經網絡的設計靈感來源于譜聚類算法，然而在完成網絡結構的設計之后，筆者發現其結構和卷積神經網絡有些相似之處，例如，用卷積層、池化層處理圖像數據的初衷是將輸入的圖像數據降維，并提取合適的特征，該特征并非人工提取，而是根據所要完成的任務以及誤差情況自動提取的；而自適應特征譜層也是為了將輸入的表示向量降維，刪除其中不重要的特征，選取合適的特征，這種選取不受人為干預，而是將訓練過程中產生的誤差進行反向傳播，自適應地進行調整。卷積神經網絡非常適用于處理圖像類型的數據，而本文提出的自適應特征譜神經網絡則非常適用于處理文本數據。因此，本文提出的網絡結構具有非常廣闊的應用前景。

此外，使用本文提出的自適應特征譜神經網絡進行特征提取以及分類得到的結果具有一定的可解釋性，且在實際應用時響應速度快、內存占用小，因此非常適合用于輔助教育平臺的開發，基于該算法開發的古詩文主題分類App受到了用戶的一致好評。用戶在使用該App時，無疑也提供了海量的訓練樣本，以此為基礎，筆者可以繼續優化該模型，達到更高的分類精度。以“更大的數據”驅動“更好的深度學習模型”正是后期優化的方向。

作者簡介

王一峰（1995-），男，哈爾濱工業大學（深圳）理學院碩士生，主要研究方向為自然語言處理、計算機視覺、智能控制、機器人運動、慣性制導以及機器學習的數學原理 。

孫麗茹（1994-），女，哈爾濱工業大學（深圳）理學院碩士生，主要研究方向為自然語言處理、教育大數據和機器學習中的聚類算法 。

崔良樂（1978-），男，哈爾濱工業大學（深圳）理學院講師，主要研究方向為西方美學、中國近現代思想文化傳播、文化研究和與在線學習相關的教育大數據 。

趙毅（1977-），男，博士，哈爾濱工業大學（深圳）理學院教授、博士生導師，哈爾濱工業大學（深圳）應用數學研究中心主任，主要研究方向為非線性時間序列分析、動力系統、復雜網絡、生物數學和數據科學 。

往期文章回顧

《大數據》2020年第4期目次&摘要

專題導讀：大數據異構并行系統

GPU事務性內存技術研究

大規模異構數據并行處理系統的設計、實現與實踐

面向大數據異構系統的神威并行存儲系統

面向異構眾核超級計算機的大規模稀疏計算性能優化研究

深度學習中的內存管理問題研究綜述

新一代深度學習框架研究

大數據場景中語言虛擬機的應用和挑戰

---

聯系我們:

Tel:010-81055448

? ? ? ?010-81055490

? ? ? ?010-81055534

E-mail:bdr@bjxintong.com.cn?

http://www.infocomm-journal.com/bdr

http://www.j-bigdataresearch.com.cn/

轉載、合作：010-81055537

大數據期刊

《大數據（Big Data Research，BDR）》雙月刊是由中華人民共和國工業和信息化部主管，人民郵電出版社主辦，中國計算機學會大數據專家委員會學術指導，北京信通傳媒有限責任公司出版的期刊，已成功入選中文科技核心期刊、中國計算機學會會刊、中國計算機學會推薦中文科技期刊，并被評為2018年國家哲學社會科學文獻中心學術期刊數據庫“綜合性人文社會科學”學科最受歡迎期刊。

關注《大數據》期刊微信公眾號，獲取更多內容

總結

以上是生活随笔為你收集整理的适用于特殊类型自然语言分类的自适应特征谱神经网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。