从图48可以看出加了注意力机制的cnn模型和加了注意力机制的cnn－gru模型无论是收敛速度还是分类的性能均优于未增加注意力的文本分类模型。而cnn－gru组合分类模型是除了增加注意力机制的次优模型而仅单独采用卷积网络cnn模型在收敛速度方面要慢很多。如图48所示本课题所提出的分类模型

在图4.8中，我们可以看到加入注意力机制的CNN模型和CNN-GRU模型在文本分类方面的性能和收敛速度都比未加入注意力机制的模型更优。此外，我们发现在仅采用卷积神经网络CNN模型时，其收敛速度要慢得多，而CNN-GRU组合分类模型是除了加入注意力机制的模型之外的次优模型。在本研究中，我们所提出的分类模型在迭代训练到第150次时，物流文本分类的准确率达到了90.7%。而CNN-GRU组合模型则需要训练到第250次才能够达到相似的分类精度。这说明在文本分类中增加注意力机制的重要性。我们还对比了本研究所提出的分类模型与注意力机制的GRU模型。结果表明，在GRU模型中加入卷积层可以更好地捕获数据中的空间局部信息，从而实现更准确的特征提取和分类。在训练的各个轮次上，本研究的分层模型从分类准确率和收敛速度两方面都明显优于注意力机制的GRU模型。通过这些对比，我们可以看出本研究所提出的CNN-GRU架构并增加自注意力机制的有效性。这种方法可以大幅提升分类性能，并加快模型的收敛速度。