一、简要
卷积神经网络的核心思想是捕捉局部特征，对于文本来说，局部特征就是由若干单词组成的滑动窗口，类似于N-gram.
卷积神经网络的优势在于能够自动地对N-gram特征进行组合和筛选，获得不同抽象层次的语义信息。
二、textCNN
具体描述：
1、 第一层是输入层，输入层是一个n*d矩阵，其中n表示输入文本的长度，d表示每个词/字向量的维度。
注：每个词向量既可以是预先在其他语料库中训练好的，也可以作为未知的参数由网络训练而得到。二者各有优势，前者可以利用其他语料库得到的先验知识，后者可以更好的抓取与当前任务相关联的特征。因此，图中的输入层实际采用了双通道的形式，即有两个n*d矩阵，其中一个用预训练好的词向量特征，并且在训练过程中不再发生变化；另一个是用预训练好的词向量做初始化，但是会作为参数，随着网络的训练过程发生改变。
2、 第二层是卷积层，第三层是池化层。
卷积层：我们用大小分别为2，3，4的filter来对输入层进行卷积，每个大小的filter各有2个(对应产生2个feature map)，分别于输入的词向量做卷积后会得到6个feature map。
池化层：使用1-max pooling分别对6个feature map做池化操作，最终会生成6个scalar，将其拼接后生成的向量经过softmax完成分类。
注1：卷积核的大小与词向量的维度相同，且卷积核只会在高度方向上行动，说明卷子操作会在完整的单词上进行，而不会对几个单词的一部分vector进行卷积，这保证了word作为语言中最小粒度的合理性。
注2：使用多个相同size的filter是为了从同一个窗口学习相互之间互补的特征。比如可以设置size为3的filter有64个卷积核。
三、textCNN的缺点：它的全局max pooling丢失了结构信息，因此很难去发现文本中的转折关系等复杂模式。（改进方法：使用k-max pooling做优化，k-max pooling会针对每个卷积核保留前k个最大值，并且保留这些值出现的顺序，即按照文本中的位置顺序来排列这k个最大值，在某些比较复杂的文本上相对于1-max pooling会有提升）
代码流程：
四、textCNN的超参数调参
输入词向量表征：词向量表征的选取(如选word2vec还是GloVe)
卷积核大小：一个合理的值范围在1~10。若语料中的句子较长，可以考虑使用更大的卷积核。另外，可以在寻找到了最佳的单个filter的大小后，尝试在该filter的尺寸值附近寻找其他合适值来进行组合。实践证明这样的组合效果往往比单个最佳filter表现更出色
feature map特征图个数：主要考虑的是当增加特征图个数时，训练时间也会加长，因此需要权衡好。当特征图数量增加到将性能降低时，可以加强正则化效果，如将dropout率提高过0.5
激活函数：ReLU和tanh是最佳候选者
池化策略：1-max pooling表现最佳
正则化项(dropout/L2)：相对于其他超参数来说，影响较小点
参考文献：