分类算法(七）—— 短文本分类

深入做文本分类的同学都知道，短文本分类相对来说比较难。因为较短的文本包含的信息较少，有时候模型很难学到关键特征。    

参考 https://www.zhihu.com/question/326770917/answer/698646465，指出：

对于短文本，CNN配合Max-pooling池化(如TextCNN模型)速度快，而且效果也很好。因为短文本上的关键词比较容易找到，而且Max-pooling会直接过滤掉模型认为不重要特征。具体工作机制是：卷积窗口沿着长度为n的文本一个个滑动，类似于n-gram机制对文本切词，然后和文本中的每个词进行相似度计算，因为后面接了个Max-pooling，因此只会保留和卷积核最相近的词。这就是TextCNN抓取关键词的机制。虽然Attention也突出了重点特征，但是难以过滤掉所有低分特征。而Capsules效果比CNN好，所以我个人觉得在短文本上LSTM/GRU+Capusules是一个不错模型，这也是目前Kaggle Quora比赛上(短文本分类)最好的baseline之一。        

但是对于长文本直接用CNN就不行了，TextCNN会比HAN模型泛化能力差很多。当然如果在TextCNN前加一层LSTM，这样效果可以提升很大。    

另外还有一点很重要的是，实际使用的模型也要看训练数据， 根据训练数据以及相关任务确定采用哪种模型比较合适， 虽然文本有长短之分，但是对于不同任务还是要