在图48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准确性、召回率和收敛速度都比未加入注意力机制的模型更优说明在模型中加入注意力机制确实可以提高性能并且在以关键词为输入的模型中尤为重要。此外还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并且在准

根据实验结果，加入注意力机制的CNN模型和CNN-GRU模型在文本分类上表现更加优异，比未加入注意力机制的模型准确性、召回率和收敛速度都更高。特别是对于以关键词为输入的模型，加入注意力机制可以明显提高性能。相比仅采用卷积神经网络CNN模型，加入GRU组合分类模型能够进一步提高分类准确率和收敛速度，在250次训练后正确率可以达到90.8%。然而，在物流文本分类任务中，本研究所提出的分类模型在迭代训练到第150次时就已经达到了90.7%的准确率，高于CNN-GRU组合分类模型和注意力机制的GRU模型。这表明在文本分类中增加自注意力机制的重要性。此外，我们发现在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。最终，通过将CNN-GRU架构与自注意力机制相结合，本研究提出的方法可以大幅提升分类性能，并加快模型的收敛速度。