Key points are not available for this paper at this time.
对于自然语言处理问题，短文本分类仍然是一个研究热点，其特征稀疏和高维文本数据以及特征表示的问题十分明显。为了直接表示文本，提出了一种简单但新颖的变体，采用低维的一热编码。在本文中，提出了一种基于Densenet的短文本分类模型。此外，通过Resnet和Densenet之间的拼接和平均洗牌操作，实现了特征的多样性和重用，以扩大短文本特征选择。最后，引入了一些基准来评估Falcon。根据我们的实验结果，Falcon方法在大多数情况下显著改善了当前先进模型的性能，尤其是在错误率的首次实验中。总之，Falcon是一个高效且经济的模型，同时需要更少的计算来实现高性能.
Li等（Mon，）研究了这个问题.