30、民航旅客问题意图识别与MMSE分数预测研究

民航旅客问题意图识别与MMSE分数预测研究

民航旅客问题意图识别

在民航旅客问题意图识别研究中，涉及到模型构建、训练以及实验分析等多个方面。

模型特征处理

三个最大池化操作的输出特征通过拼接层进行拼接。拼接后，这三种不同的特征能为句子分类提供更丰富的特征信息。

模型训练

模型的最后一层是文本分类层。在softmax计算输出文本的分布概率P后，将概率值最大的分类作为最终分类，其表达式如下：
[P = \text{softmax}(MW + b)]
其中，(P=(p_1, p_2, p_3, p_4, p_5))中元素(p_i)的计算过程如下：
[Z = MW + b]
[p_i = \frac{e^{z_i}}{\sum_{k = 1}^{5} e^{z_k}} (i = 1, 2, 3, 4, 5)]
模型的优化方法选择反向传播法，损失函数选择nn.NLLLoss。

实验分析

• 文本分类评估指标 ：计算五类的三个典型评估指标，即精确率（P）、召回率（R）、F1值。宏观平均F1（Macro_F1）和所有类别的准确率（Acc）作为模型的评估指标。
• 参数讨论 ：为确定能使模型达到最佳效果的epoch，设置了六组epoch，分别为3、7、15、25、35、45、60。实验结果如下表所示：
  | Epoch | Acc | Macro_F1 |
  | — | — | — |
  | 3 | 90.66% | 90.86