理解卷及神经网络应用在自然语言处理的学习笔记

最新推荐文章于 2024-09-27 21:19:37 发布

重回成都

最新推荐文章于 2024-09-27 21:19:37 发布

阅读量8k

点赞数 2

分类专栏： NLP 文章标签：自然语言处理卷积神经网络 CNN NLP 文本分类

本文链接：https://blog.csdn.net/zhdgk19871218/article/details/51387197

版权

本文介绍了如何将卷积神经网络（CNN）应用于自然语言处理（NLP），通过矩阵表示输入文本，CNN的过滤器在词向量上滑动，不同于图像处理中的过滤器。讨论了CNN的超参数，包括窄卷积与宽卷积、步幅大小、汇聚层和通道，并指出其在文本分类任务中的优势。同时，指出了CNN在NLP中的局限性和可能的改进方向。

摘要由CSDN通过智能技术生成

博客地址：http://www.wildml.com/2015/11/understanding-convolutional-neural-networks-for-nlp/

首先申明本人的英语很搓，看英文非常吃力，只能用这种笨办法来方便下次阅读。有理解错误的地方，请别喷我。

CNN怎么应用到NLP

什么是卷积和什么是卷积神经网络就不讲了，自行google。从在自然语言处理的应用开始(SO, HOW DOES ANY OF THIS APPLY TO NLP?)。
和图像像素不同的是，在自然语言处理中用矩阵来代表一句话或者一段话作为输入，矩阵的每一行代表一个token，可以是词，也可以是字符。这样每一行是一个向量，这个向量可以是词向量像word2vec或者GloVe。也可以是one-hot向量。如果一句话有10个词，每个词是100维的词向量，那么得到10*100的矩阵，这就相当于图像识别中的图像（input）。
在图像中，过滤器是在图像的部分滑动，而在NLP中过滤器在整行上滑动。意思是过滤器的宽度和输入矩阵的宽度是一致地。（就是说过滤器的宽度等于词向量的维度。）在高度上常常是开2-5个词的滑动窗口。总结起来，一个在NLP上的CNN长这样：
这里写图片描述
这里有3种过滤器，滑动窗口为2、3、4，每种有2个。后面阐述了CNN在NLP上的不足（没看明白）。表示RNN更符合语言的理解习惯。后面又说模型跟实现的理解有偏差，但是CNN在NLP上的表现是不错的。同时也吐槽了词袋模型也一样。（原因鬼知道）
CNN的另一个优势是快，这里用N-Gram模型做对比。我们都知道在VSM模型中采用3-gram的维度就很恐怖了，文中说google也处理不了超过5-gram的模型。这是CNN模型的优势，同时在CNN的输入层采用n-size的滑动窗口和n-gram处理是相似的。（不能同意再多，个人认为部分功劳在word embeddings上。当然不全是，因为即使采用one-hot，维度也不会随着窗口的size变化。而在n-gram中是随着n的变化爆发性增