[1] 参考论文信息
论文名称：《融合类别特征扩展与N-gram子词过滤的fastText短文本分类》
发布期刊：《小型微型计算机系统》
期刊信息：CSCD扩展
论文写作分析摘要：
从创新点上来说，本文是在文本预处理的时候，把文本的一元语法、二元语法、三元语法，用TFIDF、LDA、信息熵这三个基础手段提取过滤一下，然后再作为FastText模型的输入来跑。看起来好像没什么技术含量。
从我个人理解来看，用TFIDF、LDA、信息熵这三个基础手段无非就是特征提取，那为什么不用CNN来提取关键信息？或者使用注意力机制来提取突出特征？因为相对来说，深度学习的提取能力要比普通机器学习算法表现要好。所以我个人觉得，本文的工作还是比较有争议的。
【注】：其实，如果先用CNN来提取特征，然后再使用FastText模型，就等于直接使用CNN做文本分类了。因为CNN做文本分类原本就是会使用多个不同尺寸的卷积核的，和FastText就差不多了。
[2] 参考论文分解
【摘要部分】
分析：
主要是名词起的好。摘要部分我是再看完全文之后才看懂的。想发中文论文的话，起名字一定要高大上。
利用TDIDF和LDA来做特征提取，论文称为 “基于 TF-IDF的 LDA类别特征提取方法以提升类别特征质量”；利用信息熵来对一元语法、二元语法、三元语法做特征提取，论文称为 “基于词汇信息熵的 N-gram子词过滤方法过滤 N-gram子词中低类别区分贡献度子词”；把特征提取提取后的文本喂入FastText，论文称为 “构建更专注于高类别区分贡献度语义特征学习的 EF-fastText短文本分类模型”。
【注】：大家细品。
【引言部分】
分析：
比较常规，介绍了一下各个论文的工作和自己论文的主要贡献。
【TFIDF+LDA部分】
分析：
介绍了TF-IDF。然后给出了基于 TF-IDF的 LDA类别特征提取方法的处理流程图：
【注】：个人觉得TFIDF+LDA是不应该单独作为一个章节的。
【 N-gram的信息熵部分】
分析：
介绍了信息熵、多元语法这个概念，然后给出了基于词汇信息熵的 N-gram子词过滤方法的处理流程图：
【注】：仍然觉得此处内容不应该单独作为一个章节。
【分类模型部分】
分析：
给出了使用了以上两种特征提取之后的FastText模型图：
【注】：这FastText模型完全没有改动，只是前面加了特征提取。。。。
