基于BERT-BiLSTM模型的汉语多句式分类算法

摘要

汉语句式分类是自然语言处理（NLP）领域的重要基础任务，对于机器翻译、智能问答及情感分析等下游应用具有支撑作用。然而，现有研究主要集中于单一句式的识别，对多句式分类问题关注较少。在实际语境中，汉语句子常呈现多句式嵌套或混合现象，其分类需解决句式边界模糊、上下文依赖复杂及标注数据稀缺等挑战，现有方法在此类场景下的性能显著下降。针对上述问题，本文提出一种融合双向编码器表示（BERT）与双向长短期记忆（BiLSTM）网络的汉语句式分类方法，通过层次化语义建模，实现全局与局部特征的互补优化，并首次系统地探索了多句式分类任务。本文基于自建汉语多句式数据集展开实验，对比了包括支持向量机（SVM）、文本卷积神经网络（TextCNN）在内的6类基线模型。结果表明：BERT-BiLSTM模型在多句式分类任务中F₁值高达93.89%,相比其他模型准确率提升5%以上，说明本文模型具有更好的句式分类效果。

关键词

汉语句式分类 / 双向编码器表征法(BERT) / 双向长短期记忆(BiLSTM) / 语义特征 / 自然语言处理