15、项目：开发用于情感分析的嵌入 + CNN 模型

项目：开发用于情感分析的嵌入 + CNN 模型

文本分类的卷积神经网络方法

字符级 CNN 考虑

在文本分类任务中，字符级卷积神经网络（CNN）是一种值得关注的方法。它能够在字符层面上对文本文档进行建模，学习单词、句子、段落等相关的层次结构。Xiang Zhang 等人使用基于字符的文本表示作为卷积神经网络的输入，这种方法的优势在于，如果 CNN 能够学会提取文本的显著细节，就可以克服文本清理和准备过程中大量的人工劳动。

字符级 CNN 具有一些独特的优点。一方面，深度卷积网络不需要单词知识，也不需要语言的句法或语义结构知识。这对于一个能够处理不同语言的单一系统来说至关重要，因为无论是否能够进行单词分割，字符始终是必要的构建单元。另一方面，仅处理字符还具有能够自然学习异常字符组合（如拼写错误和表情符号）的优势。

该模型读取固定大小字母表中的单热编码字符，以 1024 个字符为块或序列进行读取。随后是 6 个卷积层和池化层的堆叠，网络的输出端有 3 个全连接层用于进行预测。该模型在处理较大文本语料库的问题上表现较好，不过其性能受到数据集大小、文本是否经过整理以及字母表选择等多种因素的影响。

在使用字符级 CNN 时，可以进行以下参数搜索：
- 滤波器数量：从 100 - 600 进行搜索。
- 丢弃率：在 0.0 - 0.5 的范围内进行探索。
- 激活函数：尝试使用 tanh、relu 和线性激活函数。

用于分类的更深层 CNN 考虑

非常深的卷积神经网络可以在文本分类任务中取得更好的性能。目前，标准且可复用的架构尚未在分类任务中得到广泛应用。Alexis Con