·摘要：

 本文作者将CNN引用到了NLP的文本分类任务中。

·参考文献：

 [1] Convolutional Neural Networks for Sentence Classification 论文链接：http://cn.arxiv.org/pdf/1408.5882.pdf

[1] 模型

  很基础的卷积神经网络模型。

 算法流程：

  1）word2vec词嵌入

  将若干个文本中的所有词，进行无监督训练，得到词向量（word vectors）。对于每个文本，可以采用词向量加和、平均的方式表示。

  2）convolutional卷积

  卷积特征向量。

  3）pooling池化

  使用最大池化，抽取最重要的特征。

  4）全连接

  dropout规则化防止过拟合+ 全连接的softmax层多分类

[2] 模型参数

  这里，模型根据词向量的不同分为四种：

  · CNN-rand，所有的词向量都随机初始化，并且作为模型参数进行训练。

  · CNN-static，即用word2vec预训练好的向量（Google News），在训练过程中不更新词向量，句中若有单词不在预训练好的词典中，则用随机数来代替。

  · CNN-non-static，根据不同的分类任务，进行相应的词向量预训练。

  · CNN-multichannel，两套词向量构造出的句子矩阵作为两个通道，在误差反向传播时，只更新一组词向量，保持另外一组不变。

[3] 实验结果

 在七组公开数据集中进行，证明了：

  · CNN在NLP文本分类中的有效性

  · 通过调参，也表明了word2vec的NLP中重要意义。

[4] 拓展

   1、入门了CNN，对torch、torchtext的使用有所掌握；

   2、详细了解了在基于深度学习的文本分类任务中embedding层的作用，请阅读文章：【文本分类】深入理解embedding层的模型、结构与文本表示