tensorflow——CNN旅游文本分类

CNN基本介绍

1. CNN（卷积神经网路）是在近两年才用在文本处理上面的，本次实验中用tensorflow和keras分别实现了文本处理。

tensorflow中，主要分为词嵌入层、卷积层、池化层和全连接层，要真正理解CNN首先要弄明白每个参数的作用，以及他每一步作用的方式和物理意义。（盗图）

 根据此图来讲解释CNN在文本的实现：

1 CNN将文本内容按字读取，然后统计每个字出现的次数，并取现vocab_size大小，构成词汇表，使得每一个类别对应一个id,一个词对应一个id,从0开始计数。然后将文本文件内容转化为相对应的id等长（maxlength）的矩阵，每个文本对应的等级转化为(n,3)矩阵，由于文本的内容较大，一般我们分批次训练，可以更好地方便我们调参。

2.词嵌入层，词向量的表示方式有3种，CNN-rand、CNN-static、CNN-non-static，我们的方法是首先随机初始化embeddings矩阵（二维矩阵），通过tf.nn.embedding_lookup函数将输入序列转换成WordEmbedding表示作为隐藏层的输入。初始化weights和biases，计算隐藏层的输出。然后计算输出和target结果的交叉熵，使用GradientDescentOptimizer完成一次反向传递，更新可训练的参数，包括embeddings变量。在Validate过程中，对测试数据集中的单词，利用embeddings矩阵计算测试单词和所有其他单词的相似度，输出相似度最高的几个单词，看看它们相关性如何，作为一种验证方式。此时我们文本数据变为【每一批次的个数，文本序列长度】，然后再词嵌入层进行词向量映射，嵌入层的输入为【每一批次的个数，文本序列长度】的id值，构建词向量的表，然后根据id映射到词向量表的内容，此时我们表中每一行等同于图中的第一行

3 卷积层，这里用的是一维的卷积，他的宽度便是序列长度，滑动窗口（卷积核&