·阅读摘要：
针对实际场景中长短文本大量的情况，提出了双通道注意力机制与长文本裁剪机制来改进文本分类模型，最终提高了精度。
·参考文献：
[1] 融合注意力和剪裁机制的通用文本分类模型
参考论文信息
论文名称：《融合注意力和剪裁机制的通用文本分类模型》
发布期刊：《计算机应用》
期刊信息：CSCD扩展
本文主要是针对数据集中长文本和短文本互相混和的情况，设计了一些改进。主要有六：
·词向量表示模块
·卷积神经网络模块
·双通道注意力模块
·长文本裁剪模块
·循环神经网络模块
·融合分类模块
其中，值得说的是双通道注意力模块与长文本裁剪模块，其他的模块都是比较基础的。
模型结构
模型结构如下：
【注】：这个网络结构，我只能说是“简单的复杂”。纯把数据倒来倒去，然后拼接在一起，做个分类。它做了这么多工作，其实很有可能会产生debuff，甚至不如直接在BERT后面接个分类结果好。但是实践出真知，我持保留意见。
【注】：上面的模型除了数据倒来倒去，原理还是较为简单的，双通道注意力模块与长文本裁剪模块值得看一下。
·双通道注意力模块
比较好理解，平均池化、最大池化、LSTM、激活、拼接……
【注】：1、我感觉“注意力”这个词，已经被用的完全背离它原始的定义了，现在什么都叫注意力；2、再说一次，步骤搞的这么多，真的不会产生负效果吗。
·长文本裁剪模块
对于双通道注意力机制的输出，根据一定的阈值，把它们变成0-1值（二值化），这叫做阈值阶段。
连通分量筛选没看懂，如下：
最后把连通分量筛选的结果和BERT+LSTM的结果点乘，最后再结果一系列操作……
【注】：这么多乱七八糟的操作，真的不会影响文本的实际表示吗…………
