电子设计工程ElectronicDesignEngineering第31卷Vol.31第15期No.152023年8月Aug.2023收稿日期：2022-05-25稿件编号：202205179基金项目：国家自然科学基金（61572173）作者简介：刘景霞（1984—），女，河南上蔡人，馆员。研究方向：档案及信息化管理。传统电子档案依靠人工分类，存在效率较低、易出错等缺点[1-2]，如何快速且准确地区分档案类型，是档案管理急需解决的重要难题。机器学习方法[3]无法确保提取特征的准确性。文献[4]采用FastText模型对档案进行分类，文献[5]提出了BERT-BiLSTM模型，BiLSTM缺乏对局部语义的学习。文献[6]提出了BERT-CNN模型，CNN提取文本局部特征。文献[7]提出了ERNIE2.0-BiLSTM-Att模型，注意力[8]能有效提升分类性能。以上模型无法完整地捕捉档案语义特征。该文采用ALBERT提取档案文本动态词向量、多通道特征网络捕捉局部语义和序列特征，软注意力负责识别关键特征。融合ALBERT与多通道特征网络的档案数据分类模型刘景霞（河南省驻马店市上蔡县卫生计生监督所，河南驻马店463800）摘要：为解决静态词向量语义表达不准确，传统网络模型特征提取单一等问题，提出了融合ALBERT与多通道特征网络的档案数据分类模型。采用ALBERT轻量级预训练模型提取档案数据文本特征向量，提升词向量语义表达能力；多通道特征网络捕捉不同尺度下的局部和上下文档案语义特征，软注意力机制计算每个特征对分类结果的贡献程度，由线性层输出档案类别。在公开数据集上的实验结果表明，该模型准确率达到了97.51%，优于近期表现较好的BERT-BiLSTM、BERT-TextCNN和ERNIE2.0-BiLSTM-Att深度学习模型。关键词：档案分类；ALBERT；多通道特征网络；时间卷积网络；软注意力中图分类号：TP391文献标识码：A文章编号：1674-6236（2023）15-0006-05DOI：10.14022/j.issn1674-6236.2023.15.002ArchivaldataclassificationmodelintegratingALBERTandmulti⁃channelfeaturenetworkLIUJingxia（HenanZhumadianShangcaiCountyHealthandFamilyPlanningSupervisionInstitute，Zhumadian463800，China）Abstract:Inordertosolvetheproblemsofinaccuratesemanticexpressionofstaticwordvectorandsinglefeatureextractionoftraditionalnetworkmodel，anarchivedataclassificationmodelintegratingALBERTandmulti⁃channelfeaturenetworkisproposed.Lightweightpre⁃trainingmodelALBERTisusedtoextractthetextfeaturevectorofarchivaldatatoimprovethesemantice...
