Resumen

Durante décadas, se han utilizado técnicas de aprendizaje automático para procesar textos en amárico. La aplicación potencial del aprendizaje profundo en la clasificación de documentos en amárico no se ha explotado debido a la falta de recursos lingüísticos. En este artículo, presentamos un modelo de aprendizaje profundo para la clasificación de documentos de noticias en amárico. El modelo propuesto utiliza fastText para generar vectores de texto para representar el significado semántico de los textos y resolver el problema de los métodos tradicionales. La matriz de vectores de texto se introduce en la capa de incrustación de una red neuronal convolucional (CNN), que extrae automáticamente las características. Realizamos experimentos con un conjunto de datos de seis categorías de noticias, y nuestro método produjo una precisión de clasificación del 93,79%. Comparamos nuestro método con algoritmos de aprendizaje automático bien conocidos, como la máquina de vectores de apoyo (SVM), el perceptrón multicapa (MLP), el árbol de decisión (DT), XGBoost (XGB) y el bosque aleatorio (RF), y obtuvimos buenos resultados.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:significado del texto, algoritmo de aprendizaje automático, modelo de aprendizaje profundo, técnicas de aprendizaje automático, matriz de vectores de texto, máquina de vectores de apoyo, red neuronal convolucional, clasificación de documentos de noticias, clasificación de documentos en amárico, documento de noticias en amárico
• Keywords:meaning of text, machine learning algorithm, deep learning model, machine learning techniques, text vector matrix, support vector machine, convolutional neural network, news document classification, amharic document classification, amharic news document