文本分类任务中可以利用CNN来提取句子中类似 n-gram 的关键信息。
TextCNN的详细过程原理图见下：
keras 代码：
1 def convs_block(data, convs=[3, 3, 4, 5, 5, 7, 7], f=256): 2 pools = [] 3 for c in convs: 4 conv = Activation(activation="relu")(BatchNormalization()( 5 Conv1D(filters=f, kernel_size=c, padding="valid")(data))) 6 pool = GlobalMaxPool1D()(conv) 7 pools.append(pool) 8 return concatenate(pools) 9 10 11 def rnn_v1(seq_length, embed_weight, pretrain=False): 12 13 main_input = Input(shape=(seq_length,), dtype='float64') 14 15 in_dim, out_dim = embed_weight.shape 16 embedding = Embedding(input_dim=in_dim, weights=[ 17 embed_weight], output_dim=out_dim, trainable=False) 18 content = Activation(activation="relu")( 19 BatchNormalization()((TimeDistributed(Dense(256))(embedding(main_input))))) 20 content = Bidirectional(GRU(256))(content) 21 content = Dropout(0.3)(content) 22 fc = Activation(activation="relu")( 23 BatchNormalization()(Dense(256)(content))) 24 main_output = Dense(3, 25 activation='softmax')(fc) 26 27 model = Model(inputs=main_input, outputs=main_output) 28 model.compile(optimizer='adam', 29 loss='categorical_crossentropy', 30 metrics=['accuracy']) 31 model.summary() 32 return model
说明如下：
- 输入层
如图所示，，假设句子有 n 个词，vector的维数为 k ，那么这个矩阵就是 n×k 的。
这个矩阵的类型可以是静态的(static)，也可以是动态的(non static)。静态就是word vector是固定不变的，而动态则是在模型训练过程中，word vector也当做是可优化的参数，通常把反向误差传播导致word vector中值发生变化的这一过程称为Fine tune。
对于未登录词的vector，可以用0或者随机小的正数来填充。
- 第一层卷积层
输入层通过卷积操作得到若干个Feature Map，卷积窗口的大小为 m*k ，其中 m表示n_gram中的n，通过卷积将得到F个列数为1的Feature Map,F表示卷积核的个数。
- 池化层
接下来的池化层，文中用了一种称为Max-over-time Pooling的方法。这种方法就是简单地从之前一维的Feature Map中提出最大的值，文中解释最大值代表着最重要的信号。
最终池化层的输出为各个Feature Map的最大值，即一个一维的向量。polling之后得到的是1*F的一维向量。
- 全连接 + Softmax层
池化层的一维向量的输出通过全连接的方式，连接一个Softmax层。
最终实现时，我们可以在倒数第二层的全连接部分上使用Dropout技术，即对全连接层上的权值参数给予L2正则化的限制。这样做的好处是防止隐藏层单元自适应（或者对称），从而减轻过拟合的程度。
实验部分
1. 数据
实验用到的数据集如下（具体的名称和来源可以参考论文）：
2. 模型训练和调参
- 修正线性单元(Rectified linear units)
- 滤波器的h大小：3,4,5；对应的Feature Map的数量为100；
- Dropout率为0.5，L2正则化限制权值大小不超过3；
- mini-batch的大小为50；
这些参数的选择都是基于SST-2 dev数据集，通过网格搜索方法(Grid Search)得到的最优参数。另外，训练过程中采用随机梯度下降方法，基于shuffled mini-batches之上的，使用了Adadelta update rule(Zeiler, 2012)。
3. 预训练的Word Vector
这里的word vector使用的是公开的数据，即连续词袋模型(COW)在Google News上的训练结果。未登录次的vector值是随机初始化的。
4. 实验结果
实验结果如下图：
其中，前四个模型是上文中所提出的基本模型的各个变种：
- CNN-rand: 所有的word vector都是随机初始化的，可以训练的参数。
- CNN-static: Google的Word2Vector工具(CBOW模型)得到的结果，不可训练；
- CNN-non-static: Google的Word2Vector工具(CBOW模型)得到的结果，但是会在训练过程中被
Fine tuned； - CNN-multichannel: CNN-static和CNN-non-static的混合版本，即两种类型的输入；
5. 结论
CNN-static较与CNN-rand好，说明pre-training的word vector确实有较大的提升作用（因为pre-training的word vector显然利用了更大规模的文本数据信息）；CNN-non-static较于CNN-static大部分要好，说明适当的Fine tune也是有利的，是因为使得vectors更加贴近于具体的任务；CNN-multichannel较于CNN-single在小规模的数据集上有更好的表现，实际上CNN-multichannel体现了一种折中思想，即既不希望Fine tuned的vector距离原始值太远，但同时保留其一定的变化空间。
值得注意的是，static的vector和non-static的相比，有一些有意思的现象如下表格：
- 原始的word2vector训练结果中，
bad对应的最相近词为good，原因是这两个词在句法上的使用是极其类似的（可以简单替换，不会出现语句毛病）；而在non-static的版本中，bad对应的最相近词为terrible，这是因为在Fune tune的过程中，vector的值发生改变从而更加贴切数据集（是一个情感分类的数据集），所以在情感表达的角度这两个词会更加接近； - 句子中的
!最接近一些表达形式较为激进的词汇，如lush等；而,则接近于一些连接词，这和我们的主观感受也是相符的。
Kim Y的这个模型很简单，但是却有着很好的性能。后续Denny用TensorFlow实现了这个模型的简单版本，可参考这篇博文；以及Ye Zhang等人对这个模型进行了大量的实验，并给出了调参的建议，可参考这篇论文。
下面总结一下Ye Zhang等人基于Kim Y的模型做了大量的调参实验之后的结论：
- 由于模型训练过程中的随机性因素，如随机初始化的权重参数，mini-batch，随机梯度下降优化算法等，造成模型在数据集上的结果有一定的浮动，如准确率(accuracy)能达到1.5%的浮动，而AUC则有3.4%的浮动；
- 词向量是使用word2vec还是GloVe，对实验结果有一定的影响，具体哪个更好依赖于任务本身；
- Filter的大小对模型性能有较大的影响，并且Filter的参数应该是可以更新的；
- Feature Map的数量也有一定影响，但是需要兼顾模型的训练效率；
- 1-max pooling的方式已经足够好了，相比于其他的pooling方式而言；
- 正则化的作用微乎其微。
Ye Zhang等人给予模型调参者的建议如下：
- 使用
non-static版本的word2vec或者GloVe要比单纯的one-hot representation取得的效果好得多； - 为了找到最优的过滤器(Filter)大小，可以使用线性搜索的方法。通常过滤器的大小范围在
1-10之间，当然对于长句，使用更大的过滤器也是有必要的； Feature Map的数量在100-600之间；- 可以尽量多尝试激活函数，实验发现
ReLU和tanh两种激活函数表现较佳； - 使用简单的
1-max pooling就已经足够了，可以没必要设置太复杂的pooling方式； - 当发现增加
Feature Map的数量使得模型的性能下降时，可以考虑增大正则的力度，如调高dropout的概率； - 为了检验模型的性能水平，多次反复的交叉验证是必要的，这可以确保模型的高性能并不是偶然。
论文附录中还附上了各种调参结果，感兴趣的可以前往阅读之。
TextCNN详细过程：第一层是图中最左边的7乘5的句子矩阵，每行是词向量，维度=5，这个可以类比为图像中的原始像素点了。然后经过有 filter_size=(2,3,4) 的一维卷积层，每个filter_size 有两个输出 channel。第三层是一个1-max pooling层，这样不同长度句子经过pooling层之后都能变成定长的表示了，最后接一层全连接的 softmax 层，输出每个类别的概率。
特征：这里的特征就是词向量，有静态（static）和非静态（non-static）方式。static方式采用比如word2vec预训练的词向量，训练过程不更新词向量，实质上属于迁移学习了，特别是数据量比较小的情况下，采用静态的词向量往往效果不错。non-static则是在训练过程中更新词向量。推荐的方式是 non-static 中的 fine-tunning方式，它是以预训练（pre-train）的word2vec向量初始化词向量，训练过程中调整词向量，能加速收敛，当然如果有充足的训练数据和资源，直接随机初始化词向量效果也是可以的。
通道（Channels）：图像中可以利用 (R, G, B) 作为不同channel，而文本的输入的channel通常是不同方式的embedding方式（比如 word2vec或Glove），实践中也有利用静态词向量和fine-tunning词向量作为不同channel的做法。
一维卷积（conv-1d）：图像是二维数据，经过词向量表达的文本为一维数据，因此在TextCNN卷积用的是一维卷积。一维卷积带来的问题是需要设计通过不同 filter_size 的 filter 获取不同宽度的视野。
Pooling层：利用CNN解决文本分类问题的文章还是很多的，比如这篇 A Convolutional Neural Network for Modelling Sentences 最有意思的输入是在 pooling 改成 (dynamic) k-max pooling ，pooling阶段保留 k 个最大的信息，保留了全局的序列信息。比如在情感分析场景，举个例子：
“ 我觉得这个地方景色还不错，但是人也实在太多了 ”
虽然前半部分体现情感是正向的，全局文本表达的是偏负面的情感，利用 k-max pooling能够很好捕捉这类信息。