文本分类读书笔记

      模型发展

• NNLM(2003)
• FastText (2016),基于wordemdding（CBOW、skip-gram）：

  　　模型简单简单、快速，直接把句子对应的词向量相加求和平均作为input，用基于霍夫曼树的分层softmaxt。可以作为一个baseline版本模型

• TextCNN （2014），基于预训练word2vec模型用于句子的分类任务。 

         CNN通过多个不同filter 、size的卷积核做特征检测，得到多个特征映射feature map，然后再通过pooling对检测的特征进行筛选，过滤噪音，提取关键信息，用于文本的分类。

•  DCNN (2014) 动态卷积网络 
•  GCNN (2017) 基于gate的CNN

　　CNN的本质是通过卷积运算和池化操作提取关键信息，比较擅长捕获原始语料的局部特征。

　　RNN：Recurrent,模型对每个元素执行相同的操作，当前时刻的计算依赖上一个时刻的计算结果。网络具有”记忆“功能

　　　　　RNN因为是个序列模型，因此更加擅长时序信息和长距离的依赖。RNN比较符合人类语音的特性，理解文章每一个词都是基于前面已经看过读过的词。

　　模型举例

• LSTM
• Bi-LSTM：双向LSTM
• Seq2Seq：decoder encoder 机器翻译
• Attation Seq2Seq (引入注意力机制)

1. 语言模型：对一个文本序列，根据前面的单词预测下一个单词的概率
2. 机器翻译：基于源语言的词序列，输出目标语言的词序列
3. 语言识别：
4. 图像描述生成：需要结合CNN获取图片的特征，作为模型的一部分来生成标注图像的描述信息

　　CNN和RNN二者各有千秋，主要看应用场景。