5、小说段落分割与分类算法的优化与并行实现

小说段落分割与分类算法的优化与并行实现

在自然语言处理领域，小说段落分割和分类算法的优化一直是研究的热点。本文将介绍两种不同的研究内容，一是关于小说段落分割中损失函数的比较与应用，二是最近特征线（NFL）和修正最近特征线段（RNFLS）分类器的并行实现。

小说段落分割：损失函数的比较与应用

损失函数介绍

在小说段落分割的实验中，使用了三种损失函数：
- BCE损失 ：这是本次实验的基线方法。
- αBCE损失 ：在BCE损失的基础上引入了权重α。
- FL（Focal Loss） ：通过网格搜索确定超参数α和γ的值，以开发数据的评估指标为依据。

评估指标

处理不平衡数据的分类问题时，模型评估指标的设置非常重要。本研究采用了F1分数、马修斯相关系数（MCC）和平衡准确率作为评估指标，用于比较不同损失函数的模型。

实验结果

经过10次实验，得到了每个评估指标的平均值和标准差。以下是数据集A和B在不同损失函数下的评估指标值：
| 数据集 | 方法 | F1 - 分数（均值） | F1 - 分数（标准差） | MCC（均值） | MCC（标准差） | 平衡准确率（均值） | 平衡准确率（标准差） |
| — | — | — | — | — | — | — | — |
| A - Dev | BCE | 0.8523 | 0.00419 | 0.7724 | 0.00666 | 0.8814 | 0.00324 |
|