基于CNN、DPCNN和LSTM的建筑成本分类深度集成学习

随着建筑成本信息化的发展，建筑项目成本的自动分类已成为提高管理效率的关键步骤。传统的基于规则或手动的方法不足以处理日益复杂的工程文本。为了解决这一问题，本研究提出了一种深度学习框架，将卷积神经网络（CNN）、深度金字塔卷积神经网络（DPCNN）和长短期记忆网络（LSTM）集成在一起。基于专家注释构建了一个包含12,838条记录的标准化数据集。在字符级和词级标记化的基础上训练了六个基线模型，并通过多数投票策略结合它们的预测。实验结果表明，集成模型在测试集上达到了97.59%的准确率，优于单一模型，其中字符级标记化效果更佳。研究结果证实了模型集成在提高分类准确性和稳健性方面的有效性，为成本管理中的智能文本分类提供了可行的解决方案，并为数字化和智能应用提供了实际参考。