基于文本的问题生成日志（一）

基于文本的问题生成日志（一）

阶段总结

通过上周的讨论，我负责的是基于文本的问题生成的检验部分，及关于生成问题的正确性检验，经过老师的指导我们确定了一检验思路。
首先要了解关于用CNN进行文本分类的知识，CNN最初用于处理图像问题，但是在自然语言处理中，使用CNN进行文本分类也可以取得不错的效果，在文本处理中，则用向量表示一句话。

CNN模型

通过不同的处理可以凸显出文本矩阵的不同特征，再加上LSTM分类器就可以达成文本分类的目的

图片来源：Convolutional Neural Networks for Sentence Classification

1、卷积核

通过训练集进行学习，不是指定卷积核。
卷积和一开始是随机的

2、CNNText

就是用一整个句子作为特征向量，使用一维的卷积核，而不是上面的二维的三维的卷积核表示

word2vec

Word2vec，是一群用来产生词向量的相关模型。这些模型为浅而双层的神经网络，用来训练以重新建构语言学之词文本。
word2vec主要分为CBOW（Continuous Bag of Words）和Skip-Gram两种模式。CBOW是从原始语句推测目标字词；而Skip-Gram正好相反，是从目标字词推测出原始语句。CBOW对小型数据库比较合适，而Skip-Gram在大型语料中表现更好。

阶段规划

进行了充足的理论储备之后，下一阶段就是实践，我们计划于下周开始初步搭建项目框架，并在月底完成简易版的系统。