基于迁移学习的文本隐式特征提取：电商企业分类新方法及其在粮油行业的应用验证

《Knowledge-Based Systems》：Introducing transfer learning to extract the implicit features of text: A new method for e-commerce enterprise classification

本文提出了一种基于迁移学习的隐式特征提取模型TL-IFTC，通过构建文本特征库、候选特征筛选、Cluster–Shapley特征评估及跨域分类迁移的四阶段流程，有效解决了企业注册数据中存在的语义稀疏和隐式特征提取难题。实验表明，该模型在粮油企业分类任务中准确率、精确率、召回率和F1值分别提升7.9%、6%、8%和9%，为小样本、弱语义场景下的企业智能分类提供了创新性解决方案。

　　

亮点

本研究的主要贡献如下：

(1) 提出了一种专用于企业分类的TL-IFTC模型，其特色在于系统化设计了词级特征迁移路径。该模型通过建立从源域特征提取到目标域分类优化的完整流程，突破了传统迁移学习对整体表征或模型参数的依赖。具体而言，模型利用RaNER实体识别模型提取源域显式特征以构建文本分类特征库，引入两阶段匹配机制实现词级语料对齐，并将筛选后的高价值特征嵌入TextCNN分类器。该方法在语义稀疏条件下显著提升了分类准确性与可解释性，实现了词粒度层面迁移学习的落地应用，同时增强了小样本、高噪声场景下的鲁棒性和实用性。

(2) 开发了Cluster–Shapley算法，以平衡特征评估效率与可解释性。通过对压缩后的特征空间进行聚类，并结合组合Shapley值方法，该算法提升了特征贡献度评估的效率和公平性，使其特别适用于大规模候选特征筛选任务。

(3) 构建了跨源特征映射机制，系统化识别隐式特征。通过电商与企业语料间的语义映射及两阶段匹配与分类对比策略，该机制能够自动识别可迁移的隐式特征，有效缓解了语料异质性导致的语义迁移障碍。

(4) 应用RaNER实体识别模型实现特征提取自动化。通过替代人工构建结构化特征库，RaNER模型提升了特征提取阶段结构化特征生成的效率和一致性。

结论

本研究提出了一种面向企业分类的隐式特征提取模型TL-IFTC，并建立了一个涵盖文本分类特征库构建、候选隐式特征筛选、Cluster–Shapley特征值评估及跨源分类增强的完整框架。与传统依赖显式特征或端到端建模的方法不同，该模型融合了跨源语义迁移和词级特征量化机制，为语义稀疏条件下的企业分类任务提供了新的技术路径。