基于神经元能量泛函与多尺度自适应交互的食品安全情报分类

摘要

针对食品安全舆情文本挖掘中存在的关键风险特征稀疏、数据长尾分布导致的分类性能瓶颈问题，本文提出基于空间注意力与特征融合网络（SAF-Net）轻量级分类模型。该模型旨在解决非结构化文本中核心致灾因子易被宏观背景噪声淹没难题。首先，模型引入无参数注意力（SimAM）机制，利用能量函数推导特征的三维注意力权重，对输入文本进行特征预校准，在不增加模型参数的前提下显著增强稀疏关键特征的响应强度；其次，构建并行的一维卷积神经网络（1D-CNN）与全局平均池化（GAP）双路径架构，分别提取微观n元语法（n-gram）局部特征与宏观全域语境；最后，通过注意力特征融合（AFF）模块实现多尺度语义的动态交互与自适应集成。在真实食品安全舆情数据集上的实验结果表明，SAF-Net的宏平均F₁值与准确率均显著优于主流基线模型。消融实验进一步证实，特征预校准与动态融合机制的协同作用有效缓解了长尾分布下的多数类偏置问题，显著提升了模型对少数类高风险事件的识别鲁棒性。

关键词

文本分类 / 长尾分布 / SimAM / 特征融合 / 卷积神经网络 / 食品安全

基金资助

广西警察学院高层次科研启动经费