textcnn文本词向量_卷积神经网络——文本分类模型TextCNN

本文重点

本文中我们将学习使用文本分类模型TextCNN来完成文本的分类任务，TextCNN是应用卷积神经网络对文本数据进行分类的模型。卷积神经网络的和心思想是捕捉局部特征，对于文本来说，局部特征就是由若干单词组成的滑动窗口，类似于N-gram。卷积神经网络的优势在于能够自动地对N-gram特征进行组合和筛选，获得不同抽象层次的语义信息。

模型的简单介绍

如上所示，我们先将文本以矩阵的形式进行表示，矩阵的每一行是一个词，每个词使用词向量表示(可以是word2vec，可以是Glove等等形式)，此时的矩阵为一个通道的，虽然画了很多通道，然后经过不同大小卷积核进行从上到下的卷积，从而输出一个向量，需要注意的是不同大小卷积核卷积出来的向量长度是不一致的，为了一致，我们可以使用池化操作，这样每一个向量都可以池化为一个点，然后所有点结合起来就又构成了一个向量，此时这个向量就表示了原始的矩阵，然后我们对这个向量使用全连接层进行映射，然后使用softmax进行分类。

如果我们把这个过程展开，我们可以得到下面的模型表示：

如上所示就很清晰了，一个文本矩阵，经过不同大小的卷积核卷积(卷积核大小2，3，4)，然后卷积完成之后直接池话，然后拼接为一个向量，最终映射到两个节点的全连接层，那么最终可以使用softmax完成二分类问题。

textCNN 的流程

为了解释的再清楚一些，我们分步骤来演示：

(1)构建词向量

(2)卷积操作

(3)最大池化层

(4)softmax k