谈谈对CNN在NLP中可行性的理解

谈谈对CNN在NLP中可行性的理解

谈到CNN，人们的直观感受还是其在图像处理领域取得的巨大成就，虽然近几年越来越多的论文使用到CNN与RNN的模型来探索卷积网络在自然语言处理中的应用，但始终还是无法取代CNN在图像中的地位，或是RNN之于NLP的地位。所以想谈谈自己对于CNN在NLP中可行性的一点个人理解。

CNN到底在干什么

提起CNN的作用，或者是原理，所有博客，教程等等，都会使用一个词：特征提取！那么，特征到底是个什么玩意儿？对于传统机器学习，无论分类还是拟合，都是靠着特征的组合进行学习与训练的，打个不太恰当的比方，就拟合而言，最终拟合出的曲线看作是各个特征的函数结果的话，那么特征就是各个自变量，而拟合的结果就是因变量。到这里还是比较好理解的，那么图像的特征是什么？语言文本的特征又是什么呢？一张照片摆在你面前，或者一段文字摆在书桌上，什么是他们的特征，又怎么去提取这些特征呢？

特征

先从我们人类的角度来理解下，当我们去看一幅图画，一张照片时，我们所关注的，其实是颜色的变化，或者线条的形状等等，如果有画商给你一张纯白的崭新的A4纸，告诉你这是毕加索的名画，你肯定不会相信，因为你什么画面都没有看到。也就是说，你什么特征都没有提取到！举个例子，最近非常火的一张图片：