Resumen

La clasificación de texto siempre ha sido un tema interesante en el área de investigación del procesamiento del lenguaje natural (PLN). Al entrar en la era de los datos masivos, un buen clasificador de texto es crucial para lograr el PLN en la analítica científica de grandes datos. Con el tamaño cada vez mayor de los datos de texto, se han planteado importantes desafíos en el desarrollo de algoritmos efectivos para la clasificación de texto. Dado el éxito de la red neuronal profunda (DNN) en el análisis de grandes datos, este artículo propone un nuevo clasificador de texto utilizando DNN, en un esfuerzo por mejorar el rendimiento computacional para abordar grandes datos de texto con atípicos híbridos. Específicamente, a través del uso del autoencoder de eliminación de ruido (DAE) y la máquina de Boltzmann restringida (RBM), nuestro método propuesto, denominado red neuronal profunda de eliminación de ruido (DDNN), logra una mejora significativa con un mejor rendimiento de antirruido y extracción de características, en comparación con los

• Materias:Calibración geométrica Núcleos computacionales Consultas de palabras clave Pronóstico probabilístico Máquina de aprendizaje
• Subjects:Geometric calibration Computational kernels Keyword queries Probabilistic forecasting Machine learning
• Palabras claves:Clasificación de texto; Procesamiento de lenguaje natural; Big data; Red neuronal profunda; Clasificador de texto; Autoencoder de eliminación de ruido
• Keywords:Text classification; Natural language processing; Big data; Deep neural network; Text classifier; Denoising autoencoder