CNN文本分類

　　CNN用於文本分類本就是一個不完美的解決方案，由於CNN要求輸入都是必定長度的，而對於文本分類問題，文本序列是不定長的，RNN能夠完美解決序列不定長問題，

由於RNN不要求輸入是必定長度的。那麼對於CNN用於解決文本分類問題而言，能夠判斷文本的長度範圍，例如若是大多數文本長度在100如下，極少數在100以上，那就

能夠設定文本長度是100，不足100的文本用padding補齊，多於100的文本則截斷。具體過程以下圖：

　　首先把分詞以後的句子按照設定的維度展開，這裏維度是9，每一個單詞都會有一個向量表達，維度是6（word embedding），而後用一個一維卷積核（也能夠是多個）對其進行卷積操做，注意，單詞的Embedding的長度就是原始輸入的通道數，也就是卷積核的通道數；卷積操做以後，再對其進行Pooling操做，有max-pool和average-pool操做兩種，注意，這裏是對時間維度，也就是句子序列上作Pooling；最後再輸入到一個全鏈接神經網絡中，獲得分類結果。

CNN和RNN用於解決文本分類問題的對比：

• • CNN不能完美解決序列式問題
  • CNN卷積至關於N-gram（使用必定長度的卷積核），LSTM能夠提取更長的依賴
  • 雙向RNN會加強效果
  • CNN模型並行程度高，更快