改进的BERT-UNet模型的新闻文本分类系统产品系统

新闻文本分类任务在信息检索、舆情检测与分析、信息智能推送等领域发挥着重要的作用。为了解决传统卷积神经网络在新闻文本分类中效果不佳的问题，本文提出了一种改进的BERT-UNet文本分类模型，来增强捕捉长距离文本特征和可视化效果。首先该模型使用BERT预训练文本词向量，然后将其嵌入映射到UNet模型中，提取上下文的关键特征，同时通过Softmax函数实现文本分类，最后利用前端技术对新闻舆情信息文本分类结果进行可视化监控展示。为验证模型在文本分类任务上的优越性，本文进在THUCNews数据集上进行了对比实验，实验结果显示，相较于传统模的TextCNN模型和独立使用BERT的方法，BERT-UNet模型在宏平均F1值上分别提高了3.11%和0.29%。这表明改进的BERT-UNet模型在捕捉文本特征关系方面更有效，在提升分类性能，改善传统新闻文本分类方法及可视化监控提供了新思路。