Fugu-MT 論文翻訳(概要): Does a Hybrid Neural Network based Feature Selection Model Improve Text Classification?

論文の概要: Does a Hybrid Neural Network based Feature Selection Model Improve Text Classification?

arxiv url: http://arxiv.org/abs/2101.09009v1
Date: Fri, 22 Jan 2021 09:12:19 GMT
ステータス: 処理完了
システム内更新日: 2021-03-21 01:47:16.143936
Title: Does a Hybrid Neural Network based Feature Selection Model Improve Text Classification?
Title（参考訳）: ハイブリッドニューラルネットワークによる特徴選択モデルはテキスト分類を改善するか?
Authors: Suman Dowlagar, Radhika Mamidi
Abstract要約: 関連する特徴を得るためのハイブリッド特徴選択手法を提案する。次に、特徴選択とニューラルネットワークパイプラインを実装する3つの方法を示す。また,いくつかのデータセットの精度もわずかに向上した。
参考スコア（独自算出の注目度）: 9.23545668304066
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Text classification is a fundamental problem in the field of natural language processing. Text classification mainly focuses on giving more importance to all the relevant features that help classify the textual data. Apart from these, the text can have redundant or highly correlated features. These features increase the complexity of the classification algorithm. Thus, many dimensionality reduction methods were proposed with the traditional machine learning classifiers. The use of dimensionality reduction methods with machine learning classifiers has achieved good results. In this paper, we propose a hybrid feature selection method for obtaining relevant features by combining various filter-based feature selection methods and fastText classifier. We then present three ways of implementing a feature selection and neural network pipeline. We observed a reduction in training time when feature selection methods are used along with neural networks. We also observed a slight increase in accuracy on some datasets.
Abstract（参考訳）: テキスト分類は自然言語処理の分野における根本的な問題である。テキスト分類は主に、テキストデータを分類するのに役立つすべての関連する特徴をより重要視することに焦点を当てている。これらとは別に、テキストには冗長性や高い相関性がある。これらの特徴は分類アルゴリズムの複雑さを高める。そこで,従来の機械学習分類器を用いて次元削減手法を多数提案した。機械学習分類器を用いた次元削減手法は良好な結果を得た。本稿では,様々なフィルタベースの特徴選択手法と高速テキスト分類器を組み合わせることで,関連する特徴を抽出するハイブリッド特徴選択手法を提案する。次に、特徴選択とニューラルネットワークパイプラインを実装する3つの方法を示す。ニューラルネットワークと共に特徴選択法を用いる場合のトレーニング時間の短縮を観察した。また,いくつかのデータセットの精度も若干向上した。
全文参考訳へのリンク