本文已参与「新人创作礼」活动，一起开启掘金创作之路。
更新进度：■■■■■■■□□□□□□□□□□□□□□□□|30%
理论上一周更一个经典论文
刚刚开始学习，写的不好，有错误麻烦大家留言给我啦
目录
| 题目 | 期刊名/文献类型 | 作者 | 年份 | 解决问题 | 解决对策 | 创新点 | 论文不足 | 下一步工作 | 技术难点 |
|---|---|---|---|---|---|---|---|---|---|
理论知识
文本表示：
词袋子：one_hot 不考虑文本的序列信息，就像将信息放进了一个袋子里。有多少词就需要有多少维度，数据处理的压力会比较大
词嵌入：Word2Vec（2013年Efficient Estimation of Word Representations in Vector Space） 更多的考虑了语义关联，很大程度缩小了存储空间。
文本分类方法：
基于规则的文本分类
一句话出现很好很快，就认为这句话的表述是好的
基于特征的文本分类方法
基于卷积神经网络的文本分类
学习目标：
模型构成：
为什么将感受野设置成（3，4，5）？
感受野
写的很好的解释
输出的feature map中的一块是由原始图像(不是上一层图像)的a*a来的，他的感受野就是a
卷积器的数量为什么是100？
超参数设置：
使用一维卷积
代码复现
数据集
原论文中使用了七个数据集，本代码使用了两个数据集
MR和TREC
数据集github
词向量模型
很多公司都提供了预训练好的词向量模型
本程序使用的是谷歌公司的"googlenews-vectors-negative300.bin"
程序结构
torch.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True)
- in_channels(int) – 输入信号的通道。在文本分类中，即为词向量的维度
- out_channels(int) – 卷积产生的通道。有多少个out_channels，就需要多少个1维卷积
- kernel_size(int or tuple) - 卷积核的尺寸，卷积核的大小为(k,)，第二个维度是由in_channels来决定的，所以实际上卷积大小为kernel_size*in_channels
- stride(int or tuple, optional) - 卷积步长
- padding (int or tuple, optional)- 输入的每一条边补充0的层数
- dilation(int or tuple, `optional``) – 卷积核元素之间的间距
- groups(int, optional) – 从输入通道到输出通道的阻塞连接数
- bias(bool, optional) - 如果bias=True，添加偏置
代码可学习技巧
- 从字典中读取变量，变量定义更直观
params =
{
“MODEL”: options.model,
“DATASET”: options.dataset,
“SAVE_MODEL”: options.save_model
}params[“MODEL”]
- Gensim的model.keyedvectors模块，KeyedVectors.load_word2vec_format() 加载原始二进制格式的模型
参考文章：
写的很好的博客
PyTorch中的nn.Conv1d、nn.Conv2d以及文本卷积
Keras之文本分类实现
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
Convolutional Neural Networks for Sentence Classification阅读笔记及复现
论文《Convolutional Neural Networks for Sentence Classification》总结
Convolutional Neural Networks for Sentence Classification论文解读
