TextCNN：文本分类卷积神经网络

1、前言

TextCNN 来源于《Convolutional Neural Networks for Sentence Classification》发表于2014年，是一个经典的模型，Yoon Kim将卷积神经网络CNN应用到文本分类任务，利用多个不同size的kernel来提取句子中的关键信息（类似统计语言模型的N-Gram），从而能够更好地捕捉局部相关性。TextCNN的核心思想是将卷积神经网络 (CNN) 应用到文本分类中，从而提取文本特征。本文将逐步对TextCNN做详细介绍。

2、模型结构

• Embedding层：这一层将输入的自然语言文本编码成分布式表示，可以使用预训练好的词向量，如word2vec，或者直接在训练过程中训练出一套词向量。对于没有出现在训练好的词向量表中的词，可以采取使用随机初始化为0或者偏小的正数表示。

• Convolution层：这一层通过卷积操作提取不同的n-gram特征。输入的文本通过embedding层后，会转变成一个二维矩阵，然后通过卷积核进行卷积操作，得到一个向量。在TextCNN网络中，需要同时使用多个不同类型的kernel，同时每个size的kernel又可以有多个。

• Pooling层：这一层通过池化操作，如最大池化，得到更高级别的特征表示。

• Fully Connected层：最后，将卷积池化得到的特征向量通过全连接层映射到标签域，并通过Softmax层得到文本属于每