论文Recurrent Convolutional Neural Networks for Text Classification的实验部分

使用的基本模型结构：
 
实验
实验中使用了四个数据集。
20Newsgroups：qwone.com/˜jason/20Newsgroups/
数据集包含20个新闻组的信息，我们使用日期版本并选择四种主要类别（综合，政治，娱乐和宗教）


Fudan set：2www.datatang.com/data/44139 and 43543
复旦大学文件分类集合是一个中文文件分类集合，包含20个分类，包括艺术教育和能源。


ACL Anthology Network：old-site.clsp.jhu.edu/˜sbergsma/Stylo/
该数据集包含了由ACL和相关组织发布的科学文献。它由五种语言注解：英语，日语，德语，中文和法语。


Stanford Sentiment Treebank：nlp.stanford.edu/sentiment/
这个数据集包含了电影评论解析，和五种标签：非常消极，消极，中立，积极，非常积极。


实验设置
对于英文文件，使用Stanford Tokenizer来获取令牌（nlp.stanford.edu/software/tokenizer.shtml）。对于中文文件，使用ICTCLAS来分词（ictclas.nlpir.org）。
不移除文本中的任何stop words或符号。所有的四个数据集被事先分为训练集和测试集


神经网络的超参数设置取决于使用的数据集。选择先前学习中的一系列常见的超参数。此外，设置随机梯度下降的学习率为 =0.01，隐层的大小为H=100，词嵌入的向量大小为|e|=50.上下文向量的大小为|c|=50.使用word2vec中（使用的Skip-gram算法：code.google.com/p/word2vec）的默认参数训练词嵌入。用英文和中文的维基百科转储来训练单词嵌入。


方法
Bag of Words/Bigrams + LR/SVM
文本分类的基准主要使用单词或双词作为特征的机器学习算法。
分别使用LR和SVM（www.csie.ntu.edu.tw/˜cjlin/liblinear），每个特征的权重为术语出现的频率。
Average Embedding + LR
这个基准使用词嵌入的平均权重，随后应用到一个softmax层。每个单词的权重是它词频-逆向文件频率的值（http://www.cnblogs.com/sddai/p/5660181.html）。
LDA
在集中分类任务中，基于LDA的方法能够较好捕获文本的语义。我们选择两种方法用于比较：ClassifyLDA-EM和Labeled-LDA。
Tree Kernels
使用各种tree kernel作为特征，是ACL母语分类任务中最先进的工作。列举两个主要方法用以比较：the context-free grammar (CFG) produced by the Berkeley parser (Petrov et al. 2006) and the reranking feature set of Charniak and Johnson (2005) (C&J).
RecursiveNN
我们使用两种递归结构比较：the Recursive Neural Network (RecursiveNN) (Socher et al. 2011a) 和它的改进版本 the Recursive Neural Tensor Networks (RNTNs)。
CNN
选择卷积神经网络用于比较。它的卷积内核只是简单的级联了预定义窗口大小的词嵌入。


结果和讨论
 
RCNN使用一个循环结构能够捕获更广的上下文信息。相较于其他模型更为出色。