论文阅读-Convolutional Neural Networks for Sentence Classification（TextCNN）
目录
模型原理
1.1 输入层
1.2 卷积层
1.3 池化层
1.4 全连接层
模型特点
YoonKim在2014EMNLP发的论文。
TextCNN模型作为文本分类模型，通过验证实验以及业界的共识，在文本分类任务中，CNN模型已经能够取到比较好的结果，虽然在某些数据集上效果可能会比RNN稍差一点，但是CNN模型训练的效率更高。
所以，一般认为CNN模型在文本分类任务中是兼具效率与质量的理想模型。
模型原理
与传统图像的CNN网络相比，TextCNN的输入层为Embedding词向量， 卷积使用一维卷积。
整个模型由四部分构成：输入层、卷积层、池化层、全连接层。
1.1 输入层
输入是一个固定长度L的文本序列。L可以前期通过语料分析得到。如果输入的文本比L长则截断，短的话则需要补充。然后将之进行向量化。作者在这里给了几种方式：
（1）static（静态词向量）
直接使用预训练模型（word2vec、fastText或者Glove）得到词向量，并且在TextCNN模型训练过程中不再调整词向量。
（2）non-static（非静态词向量）
预训练的词向量作为初始化， 训练过程中再对词向量进行微调。
（3）multiple channel（多通道）
用 static 与 non-static 两种词向量初始化方式来搭建两个通道。和图像中RGB类似。
（4）CNN-rand（随机初始化）
指定词向量的维度后，模型对不同单词的向量作随机初始化, 而在后续有监督学习过程中，通过反向传播更新输入层的各个词汇对应的词向量。
1.2 卷积层
只进行一维的滑动，即kernel和词向量等宽。
1.3 池化层
这里使用最大池化，既可以减少训练参数，又保证在不定长卷积层输出上获得一个顶层的全连接层的输入。
通过卷积和池化，模型可以从输入中利用局部信息提取初级特征，并进一步组合成高级特征。但是这些操作也失去了输入文本中词汇顺序、位置等信息，
1.4 全连接层
通过全连接进行分类。这里使用了一层隐层的全连接网络，实际使用也可以使用多层全连接。
模型特点
1. 优点：结构简单、训练快、效果好，避免传统学习模型特征选择的过程。
2. 缺点：可解释性不强，卷积和池化操作造成输入信息丢失（如词汇顺序、位置）。使得模型难以学习文本序列中否定、反义等信息。