结合TF-IDF、BiGRU与改进的构建器优化算法（MBOA）的混合主题分类方法

《Scientific Reports》：Hybrid topic classification approach integrating TF-IDF, BiGRU, and modified builder optimization algorithm (MBOA)

　　

摘要

将文本文档自动分类到预定义的主题中是自然语言处理（NLP）领域的一项重要任务。本研究提出了一种强大的主题分类框架，该框架包含多种独立方法，旨在实现最佳的主题分类效果。该系统的第一步是数据预处理，此阶段包括转换文件格式、去除停用词以减少噪声以及文本规范化处理。之后，可通过词频-逆文档频次（TF-IDF）方法对文本进行向量化处理以实现特征提取，从而将非结构化文档转换为结构化的数值文档，同时还能体现各术语在所有文档中的重要性。核心分类模型为双向门控循环单元（BiGRU）神经网络，选择这种架构不仅是因为它能够从正向和反向处理文本数据，还因为它能比单向方法提取出更丰富的上下文信息。为进一步提升BiGRU架构的性能，本研究提出了名为改进型构建优化算法（MBOA）的新方法，这是一种用于优化模型超参数的新的元启发式算法。所提出的框架在两个基准数据集上进行了测试，其中包括BBC新闻数据集和规模更大的AG新闻数据集。经过MBOA优化的BiGRU模型表现极为出色，在这两个数据集上都创造了新的最佳性能纪录：在BBC新闻数据集上，该模型的准确率为98.62%，精确率为98.71%，召回率为98.59%，F1分数为98.65%；而在内容更为多样的AG新闻数据集上，其准确率为98.23%，精确率为98.41%，召回率高达98.82%，F1分数为98.61%。